Key points are not available for this paper at this time.
ملخص: أصبح الكشف عن الشذوذ في بيانات السلاسل الزمنية (مثل بيانات المستشعرات) مشكلة بحثية أساسية لها تطبيقات متنوعة. نظرًا لعلاقات المعقدة بين المستشعرات، فإنه من الصعب اكتشاف الأحداث الشاذة مثل أعطال النظام والهجمات المختبئة في السلاسل الزمنية عالية الأبعاد. لقد حسنت التطورات الحديثة في أساليب التعلم العميق مثل الشبكات العصبية الرسومية (GNN) بشكل كبير من أداء الكشف عن الشذوذ في بيانات السلاسل الزمنية. ومع ذلك، فإن الأساليب الحالية تستخدم عادةً مكونات منفصلة لالتقاط العلاقة بين الاعتماد المكاني والزمني وتتجاهل التباينات في البيانات المكانية الزمنية، مما يحفزنا لالتقاطها معًا. في هذا البحث، نقترح نهجًا جديدًا يسمى STGDNN (اختصار لـ الشبكات العصبية لتحليل الانحرافات الزمنية والمكانية) والذي يتعلم العلاقة بين الاعتماد المكاني والزمني معًا في التعلم الهيكلي للشبكات العصبية الرسومية. بالإضافة إلى ذلك، نستخدم الهيكل الرسومي المكاني الزمني الذي تم تعلمه وأوزان الانتباه لشرح الشذوذ المكتشفة. تظهر التجارب على ثلاثة مجموعات بيانات من العالم الحقيقي تفوقنا في دقة الكشف، وتشخيص الشذوذ، وتفسير النموذج مقارنةً بالأساليب الرائدة في هذا المجال.
درس Guo et al. (Mon,) هذا السؤال.