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出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命であり、その質は水生生態系と人間社会の維持に重要な役割を果たしている。
– 水質のリアルタイムモニタリングは、現地センサー技術にますます依存している。
– 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だが、通常の条件下でもデータの複雑さと可変性により、課題がある。
– 本論文では、正確で連続的なモニタリングに不可欠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、グラフ注意ベースの予測を用いてセンサー間の複雑な時空間関係を捉える。
– 学習したグラフに基づく交差点異常スコアリング方法であるGDN+を提案する。
– 高度に洗練された依存構造とさまざまな種類のサブシーケンス異常を備えた新しいベンチマークシミュレーション実験を導入して、モデルの効果を評価する。
– 複雑な実世界の河川ネットワークデータに対するベンチマーク方法として、他のベンチマーク方法と比較してGDNの基準的アプローチの強みと弱みを検討する。
– 調査結果から、GDN+は高次元データで基線アプローチを上回り、解釈性も向上されたことが示唆されている。
– gnnadというソフトウェアを紹介する。

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 accurate and continuous monitoring. 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 scoring method, 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