Fugu-MT 論文翻訳(概要): Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies

論文の概要: Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies

arxiv url: http://arxiv.org/abs/2107.01557v1
Date: Sun, 4 Jul 2021 06:31:59 GMT
ステータス: 処理完了
システム内更新日: 2021-07-07 04:45:20.548588
Title: Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies
Title（参考訳）: グラフクラスタリングによる情報深層学習の不確かさの活用による異常検出
Authors: Sandeep Kumar Singh, Jaya Shradha Fowdur, Jakob Gawlikowski and Daniel Medina
Abstract要約: 本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
参考スコア（独自算出の注目度）: 1.525943491541265
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding and representing traffic patterns are key to detecting anomalies in the maritime domain. To this end, we propose a novel graph-based traffic representation and association scheme to cluster trajectories of vessels using automatic identification system (AIS) data. We utilize the (un)clustered data to train a recurrent neural network (RNN)-based evidential regression model, which can predict a vessel's trajectory at future timesteps with its corresponding prediction uncertainty. This paper proposes the usage of a deep learning (DL)-based uncertainty estimation in detecting maritime anomalies, such as unusual vessel maneuvering. Furthermore, we utilize the evidential deep learning classifiers to detect unusual turns of vessels and the loss of AIS signal using predicted class probabilities with associated uncertainties. Our experimental results suggest that using graph-based clustered data improves the ability of the DL models to learn the temporal-spatial correlation of data and associated uncertainties. Using different AIS datasets and experiments, we demonstrate that the estimated prediction uncertainty yields fundamental information for the detection of traffic anomalies in the maritime and, possibly in other domains.
Abstract（参考訳）: トラフィックパターンの理解と表現は、海洋領域における異常を検出する鍵となる。そこで本研究では,自動識別システム(ais)データを用いて,船舶の軌跡をクラスタ化するためのグラフベーストラヒック表現とアソシエーションスキームを提案する。我々は、(非)クラスタデータを用いて、リカレントニューラルネットワーク(RNN)に基づく明らかな回帰モデルをトレーニングし、それに対応する予測不確実性によって、将来のタイミングで船の軌道を予測できる。本稿では, 深層学習(DL)に基づく不確実性推定を, 異常な船体操作などの海洋異常の検出に利用することを提案する。さらに, 既知の深層学習分類器を用いて, 不確かさを伴う予測クラス確率を用いて, 血管の異常な回転やais信号の損失を検出する。実験の結果,グラフに基づくクラスタ化データを用いることで,dlモデルの時間空間相関と関連する不確かさを学習する能力が向上することが示唆された。異なるaisデータセットと実験を用いて,推定予測の不確かさは,海事および他の領域における交通異常の検出に基礎的な情報をもたらすことを実証する。

関連論文リスト

Trajectory Anomaly Detection with Language Models [21.401931052512595]
本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
論文参考訳（メタデータ） (2024-09-18T17:33:31Z)
Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization [0.0]
本稿では,(a)離散ハイパーグラフ構造の連成学習のための自己適応型異常検出フレームワークと,(b)相互依存型センサ間の時間的傾向と空間的関係をモデル化する。このフレームワークは、ハイパーグラフ構造データのリレーショナル帰納バイアスを利用して、ポイントワイズ・シングルステップ・アヘッド予測を学習する。ルート原因分析のための異常情報伝搬に基づく計算ハイパーグラフを導出し、オフラインで最適な予測制御ポリシを通じて推奨する。
論文参考訳（メタデータ） (2024-08-21T06:04:02Z)
Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文参考訳（メタデータ） (2023-06-28T03:00:28Z)
Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文参考訳（メタデータ） (2023-06-14T11:41:42Z)
ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks [18.66289473659838]
本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。双方向ニューラルネットワークを用いて時間情報を学習する。
論文参考訳（メタデータ） (2023-05-10T22:15:40Z)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文参考訳（メタデータ） (2021-10-06T07:09:45Z)
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
論文参考訳（メタデータ） (2021-06-13T09:07:30Z)
Deep Learning Methods for Vessel Trajectory Prediction based on Recurrent Neural Networks [13.193080011901381]
エンコーダデコーダリカレントニューラルネットワーク(RNN)に基づくシーケンシャル・トゥ・シークエンス容器軌道予測モデルを提案する。提案アーキテクチャは,シーケンスモデリングのためのLong Short-Term Memory (LSTM) RNNを組み合わせて観測データをエンコードし,異なる中間アグリゲーション層で将来の予測を生成し,シーケンシャルデータの時空間依存性をキャプチャする。デンマーク海事局が自由に利用できるAISデータセットからの船舶軌道に関する実験結果は、シーケンシャル・トゥ・シークエンスニューラルネットワークに基づく軌道予測のための深層学習方法の有効性を示しています。
論文参考訳（メタデータ） (2021-01-07T11:05:47Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。