論文の概要: DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation

• arxiv url: http://arxiv.org/abs/2109.04247v1
• Date: Wed, 8 Sep 2021 14:07:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-11 11:31:23.435913
• Title: DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation
• Title（参考訳）: DAE : 航空輸送における多変量時系列異常検出のための識別オートエンコーダ
• Authors: Antoine Chevrot and Alexandre Vernotte and Bruno Legeard
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Automatic Dependent Surveillance Broadcast protocol is one of the latest compulsory advances in air surveillance. While it supports the tracking of the ever-growing number of aircraft in the air, it also introduces cybersecurity issues that must be mitigated e.g., false data injection attacks where an attacker emits fake surveillance information. The recent data sources and tools available to obtain flight tracking records allow the researchers to create datasets and develop Machine Learning models capable of detecting such anomalies in En-Route trajectories. In this context, we propose a novel multivariate anomaly detection model called Discriminatory Auto-Encoder (DAE). It uses the baseline of a regular LSTM-based auto-encoder but with several decoders, each getting data of a specific flight phase (e.g. climbing, cruising or descending) during its training.To illustrate the DAE's efficiency, an evaluation dataset was created using real-life anomalies as well as realistically crafted ones, with which the DAE as well as three anomaly detection models from the literature were evaluated. Results show that the DAE achieves better results in both accuracy and speed of detection. The dataset, the models implementations and the evaluation results are available in an online repository, thereby enabling replicability and facilitating future experiments.
• Abstract（参考訳）: 自動監視放送(Automatic Dependent Surveillance Broadcast)プロトコルは、航空監視における最新の強制的な進歩の1つである。 ますます増え続ける航空機の追跡をサポートする一方で、攻撃者が偽の監視情報を発信する偽のデータインジェクション攻撃など、軽減しなければならないサイバーセキュリティの問題も導入している。 最近のデータソースと、フライトトラッキングレコードを取得するツールにより、研究者はデータセットを作成し、En-Route trajectoriesでそのような異常を検出する機械学習モデルを開発することができる。 本稿では,識別オートエンコーダ(DAE)と呼ばれる新しい多変量異常検出モデルを提案する。 通常のLSTMベースの自動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を備えており、それぞれが特定の飛行フェーズ(例)のデータを取得する。 DAEの効率を説明するため、実生活の異常や現実的に作られたものを用いて評価データセットを作成し、DAEと文献からの3つの異常検出モデルを評価した。 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。 データセット、モデル実装、評価結果は、オンラインリポジトリで利用可能であり、リプライ可能性と将来の実験の促進を可能にする。

関連論文リスト

• Video Anomaly Detection using GAN [0.0]
  この論文は、このユースケースに対する解決策を提供することを目的としており、監視システム記録の異常な活動に目を通すために人的資源が不要になるようにする。 我々は,新しいGANに基づく異常検出モデルを開発した。
  論文  参考訳（メタデータ） (2023-11-23T16:41:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
  異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。 本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-17T00:24:28Z)
• Detecting Anomalies using Generative Adversarial Networks on Images [0.0]
  本稿では,新しいGANに基づく異常検出モデルを提案する。 通常の(非非正則な)画像を使用して、入力画像が異常/脅威オブジェクトを含むかどうかを検知する正常性について学習する。 CIFAR-10、MVTec AD(産業応用用)、SIXray(X線バッグセキュリティ用)の3つのデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2022-11-24T21:52:25Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Improving Variational Autoencoder based Out-of-Distribution Detection for Embedded Real-time Applications [2.9327503320877457]
  アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。 本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。 提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。 また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
  論文  参考訳（メタデータ） (2021-07-25T07:52:53Z)
• Self-awareness in intelligent vehicles: Feature based dynamic Bayesian models for abnormality detection [4.251384905163326]
  本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。 車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。 協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-29T09:29:47Z)
• 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)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。