論文の概要: Detection of Abnormal Vessel Behaviours from AIS data using GeoTrackNet:
from the Laboratory to the Ocean
- arxiv url: http://arxiv.org/abs/2008.05443v1
- Date: Wed, 12 Aug 2020 17:11:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:06:53.469942
- Title: Detection of Abnormal Vessel Behaviours from AIS data using GeoTrackNet:
from the Laboratory to the Ocean
- Title（参考訳）: GeoTrackNetを用いたAISデータからの異常容器挙動の検出:実験室から海洋まで
- Authors: Duong Nguyen, Matthieu Simonin, Guillaume Hajduch, Rodolphe Vadaine,
C\'edric Tedeschi and Ronan Fablet
- Abstract要約: 本稿では、運用状況に関する新しいニューラルネットワークであるGeoTrackNetについて分析する。
特に,GeoTrackNetが検出した異常行動の専門的解釈との関連性を評価することを目的とする。
モデルの運用レベルを満たす可能性を示す実験を報告する。
- 参考スコア（独自算出の注目度）: 6.791963125004147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The constant growth of maritime traffic leads to the need of automatic
anomaly detection, which has been attracting great research attention.
Information provided by AIS (Automatic Identification System) data, together
with recent outstanding progresses of deep learning, make vessel monitoring
using neural networks (NNs) a very promising approach. This paper analyses a
novel neural network we have recently introduced -- GeoTrackNet -- regarding
operational contexts. Especially, we aim to evaluate (i) the relevance of the
abnormal behaviours detected by GeoTrackNet with respect to expert
interpretations, (ii) the extent to which GeoTrackNet may process AIS data
streams in real time. We report experiments showing the high potential to meet
operational levels of the model.
- Abstract（参考訳）: 海上交通の絶え間ない増加は自動異常検知の必要性を招き、研究が注目されている。
AIS(Automatic Identification System)データによって提供される情報と、近年のディープラーニングの進歩により、ニューラルネットワーク(NN)を用いた船舶監視は非常に有望なアプローチとなっている。
本稿では,我々が最近導入した新しいニューラルネットワークであるgeotracknetの解析を行う。
特に評価をめざして
(i)ジオトラックネットによる専門家の解釈における異常行動の関連性
(ii) GeoTrackNetがAISデータストリームをリアルタイムに処理できる範囲。
我々は,モデルの運用レベルを満たすための高い可能性を示す実験を報告する。
関連論文リスト
- Cybercrime Prediction via Geographically Weighted Learning [0.24578723416255752]
地理的緯度と長手点を考慮したグラフニューラルネットワークモデルを提案する。
合成データセットを用いて,サイバーセキュリティの4クラス分類問題にアルゴリズムを適用した。
従来のニューラルネットワークや畳み込みニューラルネットワークよりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-11-07T11:46:48Z) - GNN-based Anomaly Detection for Encoded Network Traffic [4.719859705721596]
本稿では,情報に富んだインターネットトラフィックデータの異常検出にグラフニューラルネットワーク(GNN)を用いる可能性について検討する。
その考え方は、機能符号化を利用してネットワークコンポーネント間の関係をキャプチャし、GNNが潜伏関係を学習し、異常をよりよく識別できるようにすることである。
論文 参考訳（メタデータ） (2024-05-22T14:11:10Z) - Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。
センサデータの誤パターンを特定するには異常検出が不可欠である。
本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
論文 参考訳（メタデータ） (2023-04-19T01:32:32Z) - Anomal-E: A Self-Supervised Network Intrusion Detection System based on
Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。
GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。
本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文 参考訳（メタデータ） (2022-07-14T10:59:39Z) - GDDR: GNN-based Data-Driven Routing [0.0]
グラフニューラルネットワーク(GNN)を用いたアプローチは、多層パーセプトロンアーキテクチャを用いた以前の作業と同様に、少なくとも実行できることを示した。
GNNには、トレーニングされたエージェントを、余分な作業なしで異なるネットワークトポロジに一般化できるというメリットが加えられている。
論文 参考訳（メタデータ） (2021-04-20T12:12:17Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳（メタデータ） (2020-06-11T08:19:06Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。