論文の概要: Unsupervised Severe Weather Detection Via Joint Representation Learning
Over Textual and Weather Data
- arxiv url: http://arxiv.org/abs/2005.07243v1
- Date: Thu, 14 May 2020 20:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 04:28:53.779974
- Title: Unsupervised Severe Weather Detection Via Joint Representation Learning
Over Textual and Weather Data
- Title（参考訳）: 教師なし重度気象検出 -テキストと天気データを用いた共同表現学習-
- Authors: Athanasios Davvetas, Iraklis A. Klampanos
- Abstract要約: 本稿では,拡張および線形分離可能な潜伏表現を学習することにより,厳しい天候の事例を検出するクラスタリング手法の有効性を高める。
我々は,豪雨,洪水,竜巻の発生の3例に対して,この解決策を評価した。
- 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: When observing a phenomenon, severe cases or anomalies are often
characterised by deviation from the expected data distribution. However,
non-deviating data samples may also implicitly lead to severe outcomes. In the
case of unsupervised severe weather detection, these data samples can lead to
mispredictions, since the predictors of severe weather are often not directly
observed as features. We posit that incorporating external or auxiliary
information, such as the outcome of an external task or an observation, can
improve the decision boundaries of an unsupervised detection algorithm. In this
paper, we increase the effectiveness of a clustering method to detect cases of
severe weather by learning augmented and linearly separable latent
representations.We evaluate our solution against three individual cases of
severe weather, namely windstorms, floods and tornado outbreaks.
- Abstract（参考訳）: 現象を観察する場合、重篤なケースや異常はしばしば、期待されるデータ分布からの逸脱によって特徴づけられる。
しかし、非逸脱データサンプルは暗黙的に深刻な結果をもたらす可能性がある。
教師なしの厳しい天気検知の場合、これらのデータサンプルは、厳しい天候の予測者がしばしば特徴として直接観察されないため、誤予測につながる可能性がある。
我々は、外部タスクの結果や観察結果などの外部情報や補助情報を組み込むことで、教師なし検出アルゴリズムの決定境界を改善することができると仮定する。
本稿では,拡張的かつ線形に分離可能な潜伏表現を学習することにより,厳天候の事例を検出するクラスタリング手法の有効性を高めるとともに,風雨,洪水,竜巻の3つの厳寒事例に対するソリューションを評価する。
関連論文リスト
- Unsupervised Event Outlier Detection in Continuous Time [4.375463200687156]
我々は、我々の知る限り、異常事象を検出するための最初の教師なし外乱検出手法を開発した。
我々は、実際のデータから修正されたデータを識別する'ディスクリミネータ'を用いて、データの異常値を補正する'ジェネレータ'を訓練する。
実験結果から,本手法は最先端手法よりも高精度にイベント異常を検出できることが示唆された。
論文 参考訳（メタデータ） (2024-11-25T14:29:39Z) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T04:45:56Z) - Maat: Performance Metric Anomaly Anticipation for Cloud Services with
Conditional Diffusion [32.86745044103766]
既存の異常検出技術は、リアルタイム検出のみに焦点を合わせており、異常が発生したら即座に異常警報が発行される。
本稿では,クラウドサービスのパフォーマンス指標の異常予測に対処する最初の試みであるMaatを提案する。
Maatは、予測値の予測と予測値の異常検出からなる、新しい2段階の予測パラダイムを採用している。
論文 参考訳（メタデータ） (2023-08-15T09:50:15Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z) - AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。
本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。
本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文 参考訳（メタデータ） (2023-04-09T10:40:02Z) - Koopman-theoretic Approach for Identification of Exogenous Anomalies in
Nonstationary Time-series Data [3.050919759387984]
多次元時系列データ中の異常を分類する一般的な方法を構築する。
本研究では,地球大気汚染モニタリングの重要な課題について,提案手法を実証する。
このシステムは、新型コロナウイルス(COVID-19)のロックダウンや山火事などにより、空気質の局所的な異常を検出することに成功した。
論文 参考訳（メタデータ） (2022-09-18T17:59:04Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-28T11:07:59Z) - Interpretable Anomaly Detection with Mondrian P{\'o}lya Forests on Data
Streams [6.177270420667713]
スケールでの異常検出は、非常に困難な実用性の問題である。
最近の研究は、異常検出のためのデータを要約するために、(ランダムな)$k$emphd-treesのバリエーションを合体させてきた。
これらの手法は、容易に解釈できないアドホックスコア関数に依存している。
我々はこれらの手法をモンドリアンポリアフォレストと呼ぶ確率的枠組みでコンテキスト化する。
論文 参考訳（メタデータ） (2020-08-04T13:19:07Z) - Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。
ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。
工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文 参考訳（メタデータ） (2020-06-19T20:41:58Z)
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。