使用图形扩散模型在分布式声学传感中检测时空异常
Seunghun Jeong1, Huioon Kim2, Young Ho Kim2
1Department of AI Convergence, Gwangju Institute of Science and Technology, Gwangju 61005, Republic of Korea.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
一个新的GraphDiffusion模型通过保留空间拓来增强分布式声学传感 (DAS) 数据中的异常检测. 这种方法通过精确识别复杂传感器网络的偏差来改善基础设施监控.
科学领域:
- 地质学
- 数据科学
- 基础设施监测
背景情况:
- 分布式声学传感 (DAS) 对于大规模的基础设施监测至关重要,提供密集的空间和时间数据.
- 由于空间相关性和非线性时间动态,在DAS数据中检测异常具有挑战性.
- 目前的方法往往忽略传感器布局,将数据处理为图像或序列,失去空间拓.
研究的目的:
- 介绍GraphDiffusion,这是一个新的DAS数据生成异常检测模型.
- 显式建模DAS传感器的空间布局,并捕获通道间的依赖关系.
- 通过保存空间和时间信息来提高异常检测的准确性.
主要方法:
- 开发了GraphDiffusion,它结合了有条件的无声扩散概率模型 (DDPM) 和图形神经网络 (GNN).
- 以欧几里德式接近模型空间布局为基础的边缘作为图节点表示DAS通道.
- 在条件DDPM中使用代代声来学习正常信号的时间动态.
主要成果:
- 在现实DAS数据集中,GraphDiffusion实现了98.2%的F1K-AUC和98.0%的ROCK-AUC.
- 该模型的性能优于比较异常检测方法.
- 显而易见的空间拓模型改善了异常的检测.
结论:
- 通过整合空间和时间信息,GraphDiffusion有效地检测DAS数据中的异常.
- GNN-DDPM方法克服了不考虑传感器布局的现有方法的局限性.
- 这种模式为使用DAS可靠的基础设施监控提供了重大进步.
