priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2024-67-10-817-821pribor-38Research ArticleИНФОРМАТИКА И ИНФОРМАЦИОННЫЕ ПРОЦЕССЫINFORMATICS AND INFORMATION PROCESSESОбнаружение аномалий в данных из INTERMAGNET при помощи графовой нейронной сетиDetecting Anomalies in Intermagnet Data Using Graph Neural NetworkКоробейниковА. Г.KorobeynikovA. G.

Анатолий Григорьевич Коробейников   — д-р техн. наук, профессор, зам. директора по науке

Санкт-Петербург

Anatoly G. Korobeynikov — Dr. Sci., Professor; Deputy Director for Science

St. Petersburg

Korobeynikov_A_G@mail.ruСанкт-Петербургский филиал Института земного магнетизма, ионосферы и распространения радиоволн им. Н. В. Пушкова Российской академии наукPushkov Institute of Terrestrial Magnetism, Ionosphere and Radio Wave Propagation of the RAS, St. Petersburg branch;2024251120246710817821Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/38

Применение современных цифровых информационных технологий, таких как Data Mining, Data Science и Big Data, вызвало экспоненциальный рост объема данных, позволяющих получать новые знания в различных предметных областях на базе предоставленной информации. В связи с этим задачи, связанные с предобработкой, интеллектуальным анализом, визуализацией больших наборов данных, приобрели особую актуальность. С использованием методов интеллектуального анализа Unsupervised learning решается задача обнаружения аномалий (выбросов) в массивах данных, полученных от магнитной обсерватории Lycksele, входящей в международную сеть INTERMAGNET. Поскольку аномалии отражают изменения в геомагнитном поле Земли, их информативность высока, что придает решению этой задачи большую научную и практическую ценность. Аномалии в обозначенных данных достаточно нечасты, поэтому могут быть обнаружены только в большом объеме обрабатываемой информации. Представлены результаты обнаружения аномалий при помощи графовой нейронной сети. В качестве программного инструментария использовалась система MatLab.

The use of modern digital information technologies, such as Data Mining, Data Science and Big Data, has caused an exponential growth in the volume of data, allowing to obtain new knowledge in various subject areas based on the information provided. In this regard, tasks related to pre-processing, intellectual analysis, visualization of large data sets have become especially relevant. Using the methods of intelligent analysis Unsupervised learning, the problem of detecting anomalies (outliers) in data arrays obtained from the Lycksele magnetic observatory, which is part of the international network INTERMAGNET, is solved. Since anomalies reflect changes in the Earth’s geomagnetic field, they are highly informative, which gives the solution to this problem great scientific and practical value. Anomalies in the designated data are not frequent enough, so they can be detected only in a large volume of processed information. The results of detecting anomalies using a graph neural network are presented. The MATLAB system is used as a software.

Big DataData MiningDatastoreINTERMAGNETMatLabUnsupervised learningгеомагнитные возмущенияграфовая нейронная сетьBig DataData MiningDatastoreINTERMAGNETMATLABunsupervised learninggeomagnetic disturbancesgraph neural networkРабота выполнена при поддержке гранта РНФ № 23-27-00011.The work was supported by the Russian Science Foundation grant No. 23-27-00011.ReferencesАпельцин Л. Data Science в действии. СПб: Питер, 2023. 736 c.Apeltsin L. Data Science Bookcamp, Simon and Schuster, 2021, 704 р.Остроух А. В., Николаев А. Б. Интеллектуальные информационные системы и технологии. СПб: Лань, 2023. 308 с.Ostroukh A.V., Nikolayev A.B. Intellektual’nyye informatsionnyye sistemy i tekhnologii (Intelligent Information Systems and Technologies), St. Petersburg, 2023, 308 р. (in Russ.)Коробейников А. Г. Применение методов Big Data для сравнения данных геомагнитных обсерваторий сети INTERMAGNET // Изв. вузов. Приборостроение. 2023. Т. 66, № 12. С. 993–1001.Korobeynikov A.G. Journal of Instrument Engineering, 2023, no. 12(66), pp. 993–1001, DOI: 10.17586/0021-34542023-66-12-993-1001. (in Russ.)Scarselli F., Gori M., Tsoi A., Hagenbuchner M., & Monfardini G. The graph neural network model // IEEE Transactions on Neural Networks. 2009. Vol. 20, N 1. P. 61–80. https://ro.uow.edu.au/cgi/viewcontent.cgi?article=10501&context=infopapers.Scarselli F., Gori M., Tsoi A., Hagenbuchner M. & Monfardini G. IEEE Transactions on Neural Networks, 2009, no. 1(20), pp. 61–80, https://ro.uow.edu.au/cgi/viewcontent.cgi?article=10501&context=infopapers.Wu Z., Pan S., Chen F. et al. Comprehensive Survey on Graph Neural Networks // IEEE Transactions on Neural Networks and Learning Systems. 2021. Vol. 32, N 1. P. 4–24. DOI: 10.1109/TNNLS.2020.2978386.Wu Z., Pan S., Chen F. et al. IEEE Transactions on Neural Networks and Learning Systems, 2021, no. 1(32), pp. 4–24, DOI: 10.1109/TNNLS.2020.2978386.Zakoldaev D. A., Korobeynikov A. G., Shukalov A. V., Zharinov I. O. Workstations Industry 4.0 for Instrument Manufacturing // IOP Conf. Ser. Materials Science and Engineering. 2019. Vol. 665, N 1. Р. 012015. DOI: 10.1088/1757899X/665/1/012015.Zakoldaev D.A., Korobeynikov A.G., Shukalov A.V., Zharinov I.O. IOP Conference Series Materials Science and Engineering, 2019, no. 1(665), pp. 012015, DOI: 10.1088/1757-899X/665/1/012015.Гришенцев А. Ю., Коробейников А. Г., Дукельский К. В. Метод численной оценки технической интероперабельности // Кибернетика и программирование. 2017. № 3. С. 23–38.Grishentsev A.Yu., Korobeinikov A.G., Dukelskiy K.V. Cybernetics and programming, 2017, no. 3, pp. 23–38. (in Russ.)Коробейников А. Г., Гришенцев А. Ю., Святкина М. Н. Применение интеллектуальных агентов магнитных измерений для мониторинга объектов железнодорожной инфраструктуры // Кибернетика и программирование. 2013. № 3. С. 9–20.Korobeinikov A.G., Grishentsev A.Yu., Svyatkina M.N. Cybernetics and programming, 2013, no. 3, pp. 9–20. (in Russ.)Коробейников А. Г., Кудрин П. А., Сидоркина И. Г. Алгоритм распознавания трехмерных изображений с высокой детализацией // Вестник Марийского государственного технического университета. Сер. Радиотехнические и инфокоммуникационные системы. 2010. Т. 2, № 9. С. 91–98.Korobeinikov A.G., Kudrin R.A., Sidorkina I.G. Vestnik of Mari State Technical University. Series: Radio Engineering and Infocommunication Systems, 2010, no. 2(9), pp. 91–98. (in Russ.)Романов П. С., Романова И. П. Системы искусственного интеллекта. Моделирование нейронных сетей в системе MATLAB. Лабораторный практикум: уч. пос. для вузов. СПб: Лань, 2024. 140 с.Romanov P.S., Romanova I.P. Sistemy iskusstvennogo intellekta. Modelirovaniye neyronnykh setey v sisteme MATLAB. Laboratornyy praktikum (Artificial Intelligence Systems. Modeling Neural Networks in MATLAB. Laboratory Workshop), St. Petersburg, 2024, 140 р. (in Russ.)Sun C., Li C., Lin X. et al. Attention-based graph neural networks: a survey // Artif. Intell. Rev. 2023. Vol. 56, Suppl. 2. P. 2263–2310. https://doi.org/10.1007/s10462-023-10577-2.Sun C., Li C., Lin X. et al. Artif. Intell. Rev., 2023, no. 2(56), pp. 2263–2310, https://doi.org/10.1007/s10462-02310577-2.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб: Питер, 2020. 480 с.Nikolenko S., Kadurin A., Arkhangelskaya E. Glubokoye obucheniye. Pogruzheniye v mir neyronnykh setey (Deep Learning. Immersion into the World of Neural Networks), St. Petersburg, 2020, 480 р. (in Russ.)

The authors declare that there are no conflicts of interest present.