高次元時系列データ（例：センサデータ）において、システム障害や攻撃などの異常事象を検出するにはどうすればよいでしょうか？さらに難しいのは、センサ間の複雑な関係性を捉え、それらの関係から逸脱する異常を検出し、その原因を説明できるようにすることです。近年、ディープラーニングの手法により高次元データにおける異常検出の性能が向上していますが、既存の手法は変数間の既存の関係構造を明示的に学習せず、時系列の予測的挙動にもそれを活用していません。本研究では、構造学習アプローチとグラフニューラルネットワーク（GNN）を統合し、注目メカニズム（attention weights）を用いて検出された異常の説明可能性を向上させる手法を提案します。実世界のセンサデータを用いた2つの実験において、真の異常が明示されたデータセットを対象に評価した結果、本手法はベースライン手法に比べて異常をより正確に検出でき、センサ間の相関関係を正確に捉え、検出された異常の根本原因をユーザーが推定可能であることが確認されました。