論文の概要: Anomaly Detection in Trajectory Data with Normalizing Flows
- arxiv url: http://arxiv.org/abs/2004.05958v1
- Date: Mon, 13 Apr 2020 14:16:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 23:27:04.413590
- Title: Anomaly Detection in Trajectory Data with Normalizing Flows
- Title(参考訳): 正規化流れを伴う軌道データの異常検出
- Authors: Madson L. D. Dias, C\'esar Lincoln C. Mattos, Ticiana L. C. da Silva,
Jos\'e Ant\^onio F. de Macedo, Wellington C. P. Silva
- Abstract要約: 本稿では,ニューラルネットワークを用いたデータから複雑な密度推定を可能にする,正規化フローに基づく手法を提案する。
提案手法は, 軌道の各セグメントに対して, 流れを正規化する重要な特徴である, 正確なモデル確率値を算出する。
実世界の軌道データを用いて, 正規化フローを用いた集約異常検出法(GRADINGS)を評価し, 従来の異常検出法と比較した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of detecting anomalous data patterns is as important in practical
applications as challenging. In the context of spatial data, recognition of
unexpected trajectories brings additional difficulties, such as high
dimensionality and varying pattern lengths. We aim to tackle such a problem
from a probability density estimation point of view, since it provides an
unsupervised procedure to identify out of distribution samples. More
specifically, we pursue an approach based on normalizing flows, a recent
framework that enables complex density estimation from data with neural
networks. Our proposal computes exact model likelihood values, an important
feature of normalizing flows, for each segment of the trajectory. Then, we
aggregate the segments' likelihoods into a single coherent trajectory anomaly
score. Such a strategy enables handling possibly large sequences with different
lengths. We evaluate our methodology, named aggregated anomaly detection with
normalizing flows (GRADINGS), using real world trajectory data and compare it
with more traditional anomaly detection techniques. The promising results
obtained in the performed computational experiments indicate the feasibility of
the GRADINGS, specially the variant that considers autoregressive normalizing
flows.
- Abstract(参考訳): 異常なデータパターンを検出するタスクは、現実的なアプリケーションでは困難であると同時に重要である。
空間データの文脈では、予期しない軌跡の認識は、高次元やパターン長の変動など、さらなる困難をもたらす。
我々は,分布サンプルを同定するための教師なし手法を提供するため,確率密度推定の観点からこの問題に取り組むことを目的としている。
より具体的には、ニューラルネットワークを用いたデータから複雑な密度推定を可能にする最近のフレームワークである、フローの正規化に基づくアプローチを追求する。
本提案は,軌道の各セグメントについて,流れの正規化の重要な特徴である正確なモデル推定値を計算する。
次に、セグメントの確率を1つのコヒーレントな軌道異常スコアに集約する。
このような戦略は、おそらく大きなシーケンスを異なる長さで処理できる。
実世界の軌道データを用いて, 正規化フローを用いた集約異常検出法(GRADINGS)を評価し, 従来の異常検出法と比較した。
計算実験で得られた有望な結果は、GRADINGS、特に自己回帰正規化フローを考慮した変種の実現可能性を示している。
関連論文リスト
- Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳(メタデータ) (2023-08-29T13:38:35Z) - Out-of-distribution detection using normalizing flows on the data
manifold [3.725042082196983]
本研究では,正規化フローを用いた多様体学習が分布外検出に及ぼす影響について検討した。
本研究では,正規化フローとして知られる確率ベースモデルの分布外検出能力を,多様体学習により向上させることを示す。
論文 参考訳(メタデータ) (2023-08-26T07:35:16Z) - Time-series Anomaly Detection via Contextual Discriminative Contrastive
Learning [0.0]
一級分類法は、異常検出タスクに一般的に使用される。
本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。
我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
論文 参考訳(メタデータ) (2023-04-16T21:36:19Z) - Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。
エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。
7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
論文 参考訳(メタデータ) (2022-08-03T14:38:19Z) - Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
交通渋滞異常検出は知的交通システムにおいて最重要事項である。
本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。
Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
論文 参考訳(メタデータ) (2022-06-28T17:08:47Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
本稿では,学習中に識別情報を利用する自己指導型学習システムを導入するが,通常の例のデータ多様体に焦点をあてる。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time
Series [12.745860899424532]
異常検出は、幅広い種類のデータに対して広く研究されているタスクである。
本稿では,異常検出のためのグラフ拡張正規化フロー手法を提案する。
実世界のデータセットで実験を行い、GANFの有効性を実証する。
論文 参考訳(メタデータ) (2022-02-16T04:42:53Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳(メタデータ) (2022-02-11T09:45:11Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。