論文の概要: Graph Convolutional Networks for traffic anomaly
- arxiv url: http://arxiv.org/abs/2012.13637v1
- Date: Fri, 25 Dec 2020 22:36:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 04:38:25.984052
- Title: Graph Convolutional Networks for traffic anomaly
- Title(参考訳): 交通異常に対するグラフ畳み込みネットワーク
- Authors: Yue Hu, Ao Qu, Dan Work
- Abstract要約: イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。
空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。
我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
- 参考スコア(独自算出の注目度): 4.172516437934823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event detection has been an important task in transportation, whose task is
to detect points in time when large events disrupts a large portion of the
urban traffic network. Travel information {Origin-Destination} (OD) matrix data
by map service vendors has large potential to give us insights to discover
historic patterns and distinguish anomalies. However, to fully capture the
spatial and temporal traffic patterns remains a challenge, yet serves a crucial
role for effective anomaly detection. Meanwhile, existing anomaly detection
methods have not well-addressed the extreme data sparsity and high-dimension
challenges, which are common in OD matrix datasets. To tackle these challenges,
we formulate the problem in a novel way, as detecting anomalies in a set of
directed weighted graphs representing the traffic conditions at each time
interval. We further propose \textit{Context augmented Graph Autoencoder}
(\textbf{Con-GAE }), that leverages graph embedding and context embedding
techniques to capture the spatial traffic network patterns while working around
the data sparsity and high-dimensionality issue. Con-GAE adopts an autoencoder
framework and detect anomalies via semi-supervised learning. Extensive
experiments show that our method can achieve up can achieve a 0.1-0.4
improvements of the area under the curve (AUC) score over state-of-art anomaly
detection baselines, when applied on several real-world large scale OD matrix
datasets.
- Abstract(参考訳): イベント検出は交通機関において重要な課題であり、大規模なイベントが都市交通ネットワークの大部分を破壊したときにポイントを検出する。
地図サービスベンダーによる旅行情報 {Origin-Destination} (OD) 行列データは、歴史的パターンを発見し、異常を識別するための洞察を与える大きな可能性を持っている。
しかしながら、空間的および時間的トラフィックパターンを完全に捉えることは依然として課題であるが、効果的な異常検出には重要な役割を果たす。
一方、既存の異常検出手法は、OD行列データセットに共通する極端なデータ空間と高次元の課題に十分に適応していない。
これらの課題に取り組むため,我々は,各時間帯の交通状況を表す有向重み付きグラフの組における異常を検知する手法として,新しい手法で問題を定式化する。
さらに,データスパーシティと高次元の問題に取り組みながら,空間的トラフィックネットワークパターンをキャプチャするために,グラフ埋め込みとコンテキスト埋め込み技術を活用する \textit{context augmented graph autoencoder} (\textbf{con-gae }) を提案する。
Con-GAEはオートエンコーダフレームワークを採用し、半教師付き学習を通じて異常を検出する。
広範囲な実験により,実世界の大規模od行列データセットに適用すると,auc(auc)スコア下の領域が最先端の異常検出ベースラインよりも0.1-0.4向上することを示した。
関連論文リスト
- 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 [93.68531382792366]
本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。
MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - 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) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳(メタデータ) (2021-12-19T05:04:53Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Federated Variational Learning for Anomaly Detection in Multivariate
Time Series [13.328883578980237]
本稿では,非教師付き時系列異常検出フレームワークを提案する。
我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。
3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
論文 参考訳(メタデータ) (2021-08-18T22:23:15Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳(メタデータ) (2021-03-27T04:47:59Z) - Ano-Graph: Learning Normal Scene Contextual Graphs to Detect Video
Anomalies [11.935112157324122]
ビデオ検出は、教師なしのトレーニング手順と、現実世界のシナリオに高時間に存在するため、難しい課題であることが証明された。
本論文では,通常の物体の相互作用を学習・モデル化するための非グラフ法を提案する。
提案手法はデータ効率が良く,照明などの実世界の変種に対して著しく頑健であり,adocやストリートシーンの難易度が高いsotaを大差で通過する。
論文 参考訳(メタデータ) (2021-03-18T20:08:53Z) - 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) - Video Anomaly Detection by Estimating Likelihood of Representations [21.879366166261228]
ビデオ異常は、モーション表現、オブジェクトのローカライゼーション、アクション認識など、多くのサブタスクを解決するため、困難なタスクである。
伝統的に、この課題に対する解決策は、これらの特徴の空間的接続を無視しながら、ビデオフレームとその低次元特徴のマッピングに焦点を当ててきた。
最近のソリューションでは、K-Meansのようなハードクラスタリング技術を用いてこれらの空間的接続を分析することや、潜伏した特徴を一般的な理解にマップするためにニューラルネットワークを適用することに焦点を当てている。
潜在特徴空間における映像異常を解決するために,このタスクを密度推定問題に転送するための深い確率モデルを提案する。
論文 参考訳(メタデータ) (2020-12-02T19:16:22Z)
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。