Gegeben hochdimensionale Zeitreihendaten (z. B. Sensordaten), wie können wir anomale Ereignisse wie Systemfehler oder Angriffe detektieren? Noch herausfordernder ist die Frage, wie dies auf eine Weise geschehen kann, die komplexe Beziehungen zwischen Sensoren erfasst und Anomalien erkennt und erklärt, die von diesen Beziehungen abweichen? In jüngster Zeit haben tiefes Lernen-basierte Ansätze Verbesserungen bei der Anomalieerkennung in hochdimensionalen Datensätzen ermöglicht; bisherige Methoden lernen jedoch die Struktur bestehender Beziehungen zwischen Variablen nicht explizit und nutzen diese auch nicht, um das erwartete Verhalten von Zeitreihen vorherzusagen. Unser Ansatz kombiniert einen Struktur-Lernansatz mit Graph-Neural-Networks und nutzt zudem Aufmerksamkeitsgewichte, um die erkannten Anomalien nachvollziehbar zu machen. Experimente an zwei realen Sensordatensätzen mit bekannter Anomalienstruktur zeigen, dass unsere Methode Anomalien genauer erkennt als Basisverfahren, Korrelationen zwischen Sensoren präzise erfasst und Benutzern ermöglicht, die Ursache einer erkannten Anomalie zu identifizieren.