Graph Neural Network-Based Anomaly Detection for River Network Systems

要約

タイトル：河川ネットワークシステムの異常検知に基づくグラフニューラルネットワーク
要約：
– 水は河川ネットワークの生命線であり、その品質は水生生態系と人間社会の持続性に重要な役割を果たす。
– 水質のリアルタイムモニタリングは、現在ではイン・シチュ計測技術にますます頼っている。
– 異常検出は、センサーデータの誤ったパターンを特定するために重要であり、通常の状態でもデータの複雑さと変動性により課題がある。
– 本論文では、正確な連続的な水質モニタリングに必要な河川ネットワークセンサーデータの異常検出の課題に対する解決策を提供する。
– 我々は、グラフニューラルネットワークモデルである Graph Deviation Network (GDN) を使用し、センサー間の複雑な時空間関係を捕捉するためにグラフ注意ベースの予測を採用する。
– 学習されたグラフに基づく GDN+ モデルによる異常閾値基準案を提案する。
– 高度な依存構造と様々なタイプのサブシーケンス異常を持つ、新しいベンチマークシミュレーション実験を導入し、モデルの効果を評価する。
– 我々は、複雑な現実の河川ネットワークデータに対する他のベンチマーク手法と比較して、このベースラインアプローチであるGDNの強みと弱みを検討する。
– 結果は、GDN+が高次元データでベースラインアプローチを上回り、改善された解釈性も提供することを示唆している。
– さらに、gnnadというソフトウェアも紹介する。

要約(オリジナル)

Water is the lifeblood of river networks, and its quality plays a crucial role in sustaining both aquatic ecosystems and human societies. Real-time monitoring of water quality is increasingly reliant on in-situ sensor technology. Anomaly detection is crucial for identifying erroneous patterns in sensor data, but can be a challenging task due to the complexity and variability of the data, even under normal conditions. This paper presents a solution to the challenging task of anomaly detection for river network sensor data, which is essential for the accurate and continuous monitoring of water quality. We use a graph neural network model, the recently proposed Graph Deviation Network (GDN), which employs graph attention-based forecasting to capture the complex spatio-temporal relationships between sensors. We propose an alternate anomaly threshold criteria for the model, GDN+, based on the learned graph. To evaluate the model’s efficacy, we introduce new benchmarking simulation experiments with highly-sophisticated dependency structures and subsequence anomalies of various types. We further examine the strengths and weaknesses of this baseline approach, GDN, in comparison to other benchmarking methods on complex real-world river network data. Findings suggest that GDN+ outperforms the baseline approach in high-dimensional data, while also providing improved interpretability. We also introduce software called gnnad.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI