論文の概要: Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for
Anomaly Detection in Spatiotemporal Data
- arxiv url: http://arxiv.org/abs/2010.12633v1
- Date: Fri, 23 Oct 2020 19:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 00:30:58.209617
- Title: Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for
Anomaly Detection in Spatiotemporal Data
- Title（参考訳）: 時空間データにおける異常検出のためのグラフと時空間スパース分解の低ランク化
- Authors: Seyyid Emre Sofuoglu and Selin Aviyente
- Abstract要約: 本稿では,非教師付きテンソルに基づく異常検出手法を提案する。
結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
- 参考スコア（独自算出の注目度）: 37.65687661747699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection in spatiotemporal data is a challenging problem encountered
in a variety of applications including hyperspectral imaging, video
surveillance, and urban traffic monitoring. Existing anomaly detection methods
are most suited for point anomalies in sequence data and cannot deal with
temporal and spatial dependencies that arise in spatiotemporal data. In recent
years, tensor-based methods have been proposed for anomaly detection to address
this problem. These methods rely on conventional tensor decomposition models,
not taking the structure of the anomalies into account, and are supervised or
semi-supervised. We introduce an unsupervised tensor-based anomaly detection
method that takes the sparse and temporally continuous nature of anomalies into
account. In particular, the anomaly detection problem is formulated as a robust
lowrank + sparse tensor decomposition with a regularization term that minimizes
the temporal variation of the sparse part, so that the extracted anomalies are
temporally persistent. We also approximate rank minimization with graph total
variation minimization to reduce the complexity of the optimization algorithm.
The resulting optimization problem is convex, scalable, and is shown to be
robust against missing data and noise. The proposed framework is evaluated on
both synthetic and real spatiotemporal urban traffic data and compared with
baseline methods.
- Abstract（参考訳）: 時空間データにおける異常検出は、ハイパースペクトルイメージング、ビデオ監視、都市交通監視など、様々なアプリケーションで直面する課題である。
既存の異常検出法は、シーケンスデータの点異常に最も適しており、時空間データに発生する時間的および空間的依存関係に対処できない。
近年,この問題に対処する異常検出のためのテンソル法が提案されている。
これらの手法は従来のテンソル分解モデルに依存しており、異常の構造を考慮していない。
本稿では,非教師付きテンソルに基づく異常検出法を提案する。
特に、異常検出問題は、スパース部の時間的変動を最小限に抑える正規化項を持つロバストなローランク + スパーステンソル分解として定式化され、抽出された異常が時間的に持続する。
また,最適化アルゴリズムの複雑さを軽減するために,グラフ総変動最小化によるランク最小化を近似する。
結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢である。
提案手法は, 合成および実時空間交通データに基づいて評価し, ベースライン法との比較を行った。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - 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) - 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) - Time series anomaly detection with reconstruction-based state-space
models [10.085100442558828]
本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。
長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。
潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
論文 参考訳（メタデータ） (2023-03-06T17:52:35Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳（メタデータ） (2022-07-03T20:11:51Z) - 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) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-15T03:05:39Z)
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。