Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11422/23219
Especie: Dissertação
Título : Data-driven processing of graph signals for anomaly detection and forecasting
Autor(es)/Inventor(es): Lewenfus, Gabriela
Tutor: Martins, Wallace Alves
Resumen: Processamento de sinais em grafos (GSP) é uma nova área que busca estender a teoria e as técnicas clássicas de processamento de sinais para analisar e processar dados definidos sobre grafos. Nesta dissertação, apresentamos uma revisão sobre tópicos fundamentais de GSP tais como análise de Fourier, amostragem e análise vértice-frequência (VFA), e propomos duas aplicações distintas de GSP. Na primeira, aplicamos VFA no problema de detecção de anomalias em sinais em grafos (GSs) variantes no tempo. No caso particular de localizar uma estação climática defeituosa, a acurácia obtida na detecção de pequenas variações de temperatura por algoritmos de detecção de outliers aumenta quando VFA é utilizado para extração de atributos. A segunda aplicação proposta nesta dissertação combina GSP e redes neurais recorrentes para prever e interpolar GSs simultaneamente. O modelo proposto, spectral graph gated recurrent unit, superou métodos do estado-da-arte, especialmente quando se tem acesso apenas a uma pequena fração do sinal de interesse, considerando dois conjuntos de dados distintos: temperatura nos Estados Unidos e velocidade do tráfego em Seattle.
Resumen: Graph signal processing (GSP) is an emerging field that extends traditional signal processing theory and techniques to analyze and process data defined over graphs. This dissertation presents fundamental topics of GSP, such as Fourier analysis, sampling graph signals, and vertex-frequency analysis (VFA), and proposes two different applications. In the first one, we apply VFA to the problem of anomaly detection in time-varying graph signals. In the particular example of localizing a malfunctioning weather station, the accuracy achieved by outlier detection algorithms is improved when fed with VFA-extracted features to detect small drifts in temperature measurements. The second GSP application proposed in this dissertation combines GSP and recurrent neural networks in order to jointly forecast and interpolate graph signals. The proposed learning model, namely spectral graph gated recurrent unit, outperforms state-of-the-art deep learning techniques, especially when only a small fraction of the graph signals is accessible, considering two distinct real world datasets: temperatures in the US and speed flow in Seattle.
Materia: Processamento de sinal gráfico
Frequência de vértice análise
Grafar redes neurais
Materia CNPq: Engenharia Elétrica
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Unidade de producción: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editor: Universidade Federal do Rio de Janeiro
Fecha de publicación: sep-2020
País de edición : Brasil
Idioma de publicación: eng
Tipo de acceso : Acesso Aberto
Aparece en las colecciones: Engenharia Elétrica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
940650.pdf1.75 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.