Apr, 2023

基于图神经网络的河流网络系统异常检测

PDF
TL;DR本文介绍了一种针对河流传感器数据的异常检测解决方案，使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系，并针对河流网络数据中的高维数据进行评估，发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时，本文还介绍了 gnnad 软件。
water quality monitoringreal-time sensor dataanomaly detectiongraph neural networkgdn+
发现论文，激发创造
  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 一种用于多模态无线传感器网络数据流的动态图神经网络异常检测新方法

    本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型，通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征，并结合节点的空间位置关系，从而大大提高了鲁棒性和 F1 得分。

    Feb, 2022

  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 保护图神经网络的无监督图异常检测

    本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

    Apr, 2024

  • 基于神经网络的水处理系统异常检测及自动架构优化

    利用安全水处理工业控制系统测试数据集继续发展基于神经网络的异常检测方法，并提出应用遗传算法来寻找最佳神经网络结构，使用 NAB 值评估不同结构的质量，以及引入了多种技术来改进 AD 的质量，包括指数加权平滑、均值 p - 次方误差度量、每个变量的单独误差权重和不相交预测窗口。

    Jul, 2018

  • 基于 GNN 的编码网络流量异常检测

    本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

    May, 2024

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • 图转换网络用于具有异构协变量的洪水预测

    通过使用图转换网络 (FloodGTN) 来进行河流系统的洪水预测，该工具利用图神经网络 (GNNs) 和 LSTM 来学习不同监测站的水位的时空依赖关系，并考虑降雨、潮汐和水位设置等外部协变量，实验结果表明 FloodGTN 在提高准确性方面比物理模型 (HEC-RAS) 有着 70% 的改进，同时运行时间至少加快了 500 倍。

    Oct, 2023

  • 智能卫星物联网系统的异常检测任务

    基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

    Mar, 2024