بالنظر إلى بيانات متسلسلة زمنية عالية الأبعاد (مثل بيانات الاستشعار)، كيف يمكننا اكتشاف الأحداث الشاذة، مثل الأعطال النظامية والهجمات؟ وبشكل أكثر تحديًا، كيف يمكننا القيام بذلك بطريقة تُدرك العلاقات المعقدة بين الاستشعار، وتكشف عن الشذوذ الذي ينحرف عن هذه العلاقات، وتوفر تفسيرًا لها؟ في الآونة الأخيرة، ساهمت الطرق العميقة للتعلم في تحسين كفاءة كشف الشذوذ في المجموعات الكبيرة من البيانات عالية الأبعاد؛ لكن الطرق الحالية لا تتعلم بشكل صريح بنية العلاقات القائمة بين المتغيرات، ولا تستخدم هذه العلاقات للتنبؤ بالسلوك المتوقع لسلسلة زمنية. يجمع نهجنا بين طريقة تعلم البنية وشبكات الشبكات العصبية الرسومية (Graph Neural Networks)، مع استخدام أوزان الانتباه (attention weights) لتقديم شفافية وقابلية للتفسير للشذوذ المكتشف. أظهرت التجارب على مجموعتين حقيقيتين من بيانات الاستشعار مصحوبة ببيانات حقيقية للشذوذ أن طريقة التقييم لدينا تكشف الشذوذ بدقة أعلى من الطرق الأساسية، وتمكّن من التقاط العلاقات الترابطية بين المستشعرات بدقة، كما تتيح للمستخدمين استخلاص السبب الجذري للشذوذ المكتشف.