Detección de anomalías espaciotemporales en la detección acústica distribuida utilizando un modelo de difusión...

Área de la Ciencia:

• La geofísica
• Ciencia de los datos
• Seguimiento de la infraestructura

Sus antecedentes:

• La detección acústica distribuida (DAS) es vital para el monitoreo de infraestructuras a gran escala, ya que proporciona datos espaciales y temporales densos.
• La detección de anomalías en los datos DAS es un desafío debido a las correlaciones espaciales y la dinámica temporal no lineal.
• Los métodos actuales a menudo ignoran el diseño del sensor, tratando los datos como imágenes o secuencias, perdiendo la topología espacial.

Objetivo del estudio:

• Introducir GraphDiffusion, un nuevo modelo de detección de anomalías generativas para los datos DAS.
• Modele explícitamente la disposición espacial de los sensores DAS y capte las dependencias entre canales.
• Mejorar la precisión de la detección de anomalías conservando la información espacial y temporal.

Principales métodos:

• Desarrolló GraphDiffusion, que combina un modelo probabilístico de difusión denoizante condicional (DDPM) y una red neuronal de gráficos (GNN).
• Los canales DAS representados como nodos de gráfico con bordes basados en la proximidad euclidiana al diseño espacial del modelo.
• Utilizó la desnaturalización iterativa en el DDPM condicional para aprender la dinámica temporal de las señales normales.

Principales resultados:

• GraphDiffusion logró un 98,2% de F1K-AUC y un 98,0% de ROCK-AUC en conjuntos de datos de DAS del mundo real.
• El modelo superó a los métodos comparativos de detección de anomalías.
• La modelación explícita de la topología espacial mejoró la detección de anomalías.

Conclusiones:

• GraphDiffusion detecta efectivamente las anomalías en los datos DAS mediante la integración de información espacial y temporal.
• El enfoque GNN-DDPM supera las limitaciones de los métodos existentes que no tienen en cuenta la disposición de los sensores.
• Este modelo ofrece un avance significativo para el monitoreo fiable de la infraestructura utilizando DAS.