Graph-based novelty detection in passive sonar

• Matheus Bastos de Oliveira UFRJ
• João Baptista de Oliveira e Souza Filho UFRJ

DOI: https://doi.org/10.5753/eniac.2026.31500

Resumo

Avanços recentes têm demonstrado o potencial dos grafos em tarefas de detecção de novidades, mas a sua aplicação em sinais de sonar passivo no contexto de Reconhecimento em Conjunto Aberto (OSR) permanece inexplorada. Este artigo avalia experimentalmente o uso de técnicas de grafos para este problema, com foco na geração de redes e atributos nodais, especialmente o uso de Grafos de Visibilidade Espectral (SVG). Os resultados mostram que a extração estrutural baseada em SVG, integrada à penalização de conexões de longo alcance, atinge 68,52% de AUROC. O método proposto supera abordagens baseadas em caminhadas aleatórias em 17 pontos percentuais e se equipara a redes neurais profundas com um terço do tempo de processamento.

Palavras-chave: Sonar Passivo, Open Set Recognition, Grafos de Visibilidade Espectral, Processamento de Sinais em Grafos, Enriquecimento de Atributos

Referências

Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7(1):1–30.

Duda, R. O., Hart, P. E., and Stork, D. G. (2000). Pattern classification. John Wiley & Sons, 2 edition.

Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8):861–874. ROC Analysis in Pattern Recognition.

Han, J., Pei, J., and Tong, H. (2022). Data Mining: Concepts and Techniques. The Morgan Kaufmann Series in Data Management Systems. Morgan Kaufmann.

Honorato, E. S., de Oliveira e Souza Filho, J. B., and Da Silva Muniz, V. H. (2022). Clustering-and-bagging-based ensemble for novelty detection in passive sonar systems. In 2022 IEEE Latin American Conference on Computational Intelligence (LACCI), pages 1–6.

Honorato, E. S., Muniz, V. H. d. S., and Souza Filho, J. B. d. O. e. (2020). Detecção hierárquica de classes desconhecidas em sonar por ”autoencoders”convolucionais. In Anais do XXXVIII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais (SBrT). Sociedade Brasileira de Telecomunicações.

Kipf, T. N. and Welling, M. (2016). Semi-supervised classification with graph convolutional networks. CoRR, abs/1609.02907.

Lacasa, L., Luque, B., Ballesteros, F., Luque, J., and Nuño, J. C. (2008). From time series to complex networks: The visibility graph. Proceedings of the National Academy of Sciences, 105(13):4972–4975.

Liu, F. T., Ting, K. M., and Zhou, Z.-H. (2008). Isolation forest. In 2008 Eighth IEEE International Conference on Data Mining, pages 413–422.

Ma, X., Wu, J., Xue, S., Yang, J., Zhou, C., Sheng, Q. Z., Xiong, H., and Akoglu, L. (2023). A comprehensive survey on graph anomaly detection with deep learning. IEEE Transactions on Knowledge and Data Engineering, 35(12):12012–12038.

Montgomery, D. and Runger, G. (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons.

Moura Junior, N. N. d. (2018). Detecção de novidade para sistemas de sonar passivo. Tese de doutorado, Universidade Federal do Rio de Janeiro (UFRJ/COPPE), Rio de Janeiro, Brasil.

Muniz, V. H. S., Oliveira, M. B., and SOUZA FILHO, J. B. O. (2019). Classificação hierárquica de navios em sinais de sonar passivo. In XIV Congresso Brasileiro de Inteligência Computacional, Belém, Brasil.

Nemenyi, P. B. (1963). Distribution-free multiple comparisons. PhD thesis, Princeton University.

Xu, K., Hu, W., Leskovec, J., and Jegelka, S. (2018). How powerful are graph neural networks? CoRR, abs/1810.00826.

Yela, D. F., Stowell, D., and Sandler, M. (2019). Spectral visibility graphs: Application to similarity of harmonic signals. In 2019 27th European Signal Processing Conference (EUSIPCO), pages 1–5.

Yichen, D., Xiaohong, S., Haiyan, W., and Yongsheng, Y. (2025). An open-set recognition method for ship radiated noise signal based on graph convolutional neural network prototype learning. Digital Signal Processing, 156:104748.