基于图神经网络的河网系统异常检测
机器学习
2023-06-02 v3 应用统计
摘要
水是河网的生命线，其质量在维持水生生态系统和人类社会方面起着关键作用。水质实时监测日益依赖原位传感器技术。异常检测对于识别传感器数据中的错误模式至关重要，但由于数据在正常条件下的复杂性和可变性，这可能是一项具有挑战性的任务。本文提出了一种解决河网传感器数据异常检测这一挑战性任务的方案，该任务对于准确连续的监测至关重要。我们使用图神经网络模型，即最近提出的图偏差网络（GDN），其采用基于图注意力的预测来捕获传感器之间复杂的时空关系。我们提出了一种基于所学图的替代异常评分方法GDN+。为评估模型效能，我们引入了具有高度复杂依赖结构和各类子序列异常的新基准仿真实验。我们进一步在复杂真实世界河网数据上，将该基线方法GDN与其他基准方法的优缺点进行比较。研究结果表明，GDN+在高维数据中优于基线方法，同时提供了更好的可解释性。我们还引入了名为gnnad的软件。
引用
@article{arxiv.2304.09367,
title = {Graph Neural Network-Based Anomaly Detection for River Network Systems},
author = {Katie Buchhorn and Edgar Santos-Fernandez and Kerrie Mengersen and Robert Salomone},
journal= {arXiv preprint arXiv:2304.09367},
year = {2023}
}