具有物理约束的图注意力网络用于异常检测
机器学习
2026-01-21 v1 密码学与安全
摘要
供水系统(WDS)面临日益增长的网络物理风险，这使得可靠的异常检测至关重要。许多数据驱动模型忽略网络拓扑且难以解释，而基于模型的模型则严重依赖于参数精度。本文提出了一种水力感知图注意力网络，使用归一化的守恒定律违反作为特征。它结合了质量和能量平衡残差与图注意力和双向LSTM来学习时空模式。一个多尺度模块将检测分数从节点级聚合到网络级。在BATADAL数据集上，它达到了F1=0.979，显示出3.3个百分点的增益，并在15%的参数噪声下具有高鲁棒性。
引用
@article{arxiv.2601.12426,
title = {Graph Attention Networks with Physical Constraints for Anomaly Detection},
author = {Mohammadhossein Homaei and Iman Khazrak and Ruben Molano and Andres Caro and Mar Avila},
journal= {arXiv preprint arXiv:2601.12426},
year = {2026}
}
备注
7 Pages, 4 Figures, 5 Tables