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: 翻訳完了
- 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
- ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳（メタデータ） (2024-05-13T13:47:15Z) - uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories [5.6328191854587395]
画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。
実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-04-19T08:46:33Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳（メタデータ） (2023-12-22T09:02:01Z) - Detecting Contextual Network Anomalies with Graph Neural Networks [4.671648049111933]
ネットワークトラフィック計測におけるコンテキスト異常検出として,この問題を定式化する。
本稿では,GNNをベースとした独自のソリューションを提案し,起点決定フロー上のトラフィック異常を検出する。
その結果, 本法で検出された異常は, ベースラインが検出した異常と非常に相補的であることがわかった。
論文 参考訳（メタデータ） (2023-12-11T12:45:43Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - 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) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
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) - 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) - 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。