一种用于无线传感器网络时空相关异常检测的图提示微调方法
机器学习
2026-01-21 v1 人工智能
摘要
无线传感器网络（WSN）中多时态模态数据的异常检测可以为网络可靠运行提供重要保障。现有在多时态模态数据场景下的异常检测方法存在时空相关特征提取不充分、异常样本类别标注成本高以及异常样本不平衡的问题。本文针对WSN图结构数据的特点，设计了一种融合时空相关特征的图神经网络异常检测主干网络，以及一种“预训练-图提示-微调”的多任务自监督训练策略。首先，通过基于多尺度策略和模态间融合方法改进Mamba模型，并将其与变分图卷积模块相结合，设计了异常检测主干网络，该网络能够充分提取WSN多节点、多时态模态场景下的时空相关特征。其次，我们设计了一种包含无负样本对比学习、预测和重建三个子任务学习的“预训练”方法，从未标记数据中学习WSN数据样本的通用特征，并设计了一种“图提示-微调”机制，引导预训练的自监督学习模型完成参数微调，从而降低训练成本并增强检测泛化性能。在公开数据集和实际采集数据集上实验获得的F1指标分别高达91.30%和92.31%，比现有方法提供了更好的检测性能和泛化能力。
引用
@article{arxiv.2601.12745,
title = {A Graph Prompt Fine-Tuning Method for WSN Spatio-Temporal Correlation Anomaly Detection},
author = {Miao Ye and Jing Cui and Yuan huang and Qian He and Yong Wang and Jiwen Zhang},
journal= {arXiv preprint arXiv:2601.12745},
year = {2026}
}