基于高效自适应知识图谱学习的边缘端持续 GNN 异常检测
机器学习
2025-01-15 v2
摘要
各行业对稳健安全解决方案日益增长的需求使得视频异常检测（VAD）成为智能监控、证据调查和暴力检测等应用中的关键任务。传统的 VAD 方法通常依赖于微调大型预训练模型，这计算开销大，不适合实时或资源受限的环境。为此，MissionGNN 提出了一种更高效的方法，利用来自 GPT-4 等大语言模型（LLM）的固定知识图谱（KG）训练图神经网络（GNN）。虽然该方法在计算功耗和内存方面表现出显著效率，但在动态环境中面临局限，因为不断演变的行为趋势和数据模式漂移要求频繁更新 KG。这些更新通常需要云端计算，给边缘计算应用带来挑战。本文提出了一个新框架，支持在边缘设备上直接进行持续的 KG 自适应，克服了云依赖的局限。我们的方法通过剪枝、交替和创建节点的三阶段过程动态修改 KG，实现对不断变化的数据趋势的实时适应。这种持续学习方法增强了异常检测模型的鲁棒性，使其更适合部署在动态和资源受限的环境中。
引用
@article{arxiv.2411.09072,
title = {Continuous GNN-based Anomaly Detection on Edge using Efficient Adaptive Knowledge Graph Learning},
author = {Sanggeon Yun and Ryozo Masukawa and William Youngwoo Chung and Minhyoung Na and Nathaniel Bastian and Mohsen Imani},
journal= {arXiv preprint arXiv:2411.09072},
year = {2025}
}
备注
Accepted to DATE 2025