論文の概要: Anomaly Detection in Beehives: An Algorithm Comparison
- arxiv url: http://arxiv.org/abs/2110.03945v1
- Date: Fri, 8 Oct 2021 07:32:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 15:25:21.425196
- Title: Anomaly Detection in Beehives: An Algorithm Comparison
- Title(参考訳): 蜂の異常検出:アルゴリズムによる比較
- Authors: Padraig Davidson, Michael Steininger, Florian Lautenschlager, Anna
Krause, Andreas Hotho
- Abstract要約: Beekeeperは、これらのイベントを検出可能な適切な機械学習モデルによってサポートすることができる。
本稿では、異常検出のための複数の機械学習モデルを比較し、蜂の文脈におけるそれらの適用性について評価する。
その結果,オートエンコーダは多目的異常検出装置として最適であることが判明した。
- 参考スコア(独自算出の注目度): 0.36048665052465656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sensor-equipped beehives allow monitoring the living conditions of bees.
Machine learning models can use the data of such hives to learn behavioral
patterns and find anomalous events. One type of event that is of particular
interest to apiarists for economical reasons is bee swarming. Other events of
interest are behavioral anomalies from illness and technical anomalies, e.g.
sensor failure. Beekeepers can be supported by suitable machine learning models
which can detect these events. In this paper we compare multiple machine
learning models for anomaly detection and evaluate them for their applicability
in the context of beehives. Namely we employed Deep Recurrent Autoencoder,
Elliptic Envelope, Isolation Forest, Local Outlier Factor and One-Class SVM.
Through evaluation with real world datasets of different hives and with
different sensor setups we find that the autoencoder is the best multi-purpose
anomaly detector in comparison.
- Abstract(参考訳): センサー付きのハチは、ハチの生活状態をモニタリングする。
機械学習モデルは、そのようなハイブのデータを使用して行動パターンを学び、異常なイベントを見つけることができる。
経済的な理由からアピアリストにとって特に関心のあるイベントは、ハチの群れである。
その他の関心事としては、疾患による行動異常や、センサ障害などの技術的異常がある。
Beekeeperは、これらのイベントを検出可能な適切な機械学習モデルによってサポートすることができる。
本稿では,複数の機械学習モデルを用いて異常検出を行い,ミツバチの文脈におけるその適用性を評価する。
すなわち、Deep Recurrent Autoencoder、Elliptic Envelope、Isolation Forest、Local Outlier Factor、One-Class SVMを採用した。
異なるヒブのリアルタイムデータセットと異なるセンサー設定による評価により、オートエンコーダは比較対象として最適の多目的異常検出器であることがわかった。
関連論文リスト
- Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
異常検出は、データ内の確立されたパターンから逸脱を検出する。
本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。
実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
論文 参考訳(メタデータ) (2024-06-18T15:11:44Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳(メタデータ) (2023-11-13T02:54:17Z) - 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) - Two-Stage Deep Anomaly Detection with Heterogeneous Time Series Data [3.43862266155801]
本稿では,工場組立ラインから収集した製造データセットを用いたデータ駆動型異常検出フレームワークを提案する。
ステージIでは,動作周期信号で訓練されたモデルを用いて異常候補を選択し,ステージIIでは候補の中から異常事象を検出する。
我々のフレームワークの特長は、動作サイクル信号がまず異常点を見つけるために利用されるのに対し、センサ信号は異常点を除去するために活用される点である。
論文 参考訳(メタデータ) (2022-02-10T15:32:38Z) - Sensing Anomalies as Potential Hazards: Datasets and Benchmarks [43.55994393060723]
本稿では,自律移動ロボットの視覚知覚データストリームにおいて,特異な意味パターンを検出することの問題点について考察する。
ロボット探索のシナリオで得られた3つの新しい画像ベースデータセットをコントリビュートする。
本研究では,異なるスケールで動作するオートエンコーダに基づく異常検出手法の性能について検討する。
論文 参考訳(メタデータ) (2021-10-27T18:47:06Z) - Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
人間と同様、自動走行車は異常検出を行う。
私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
論文 参考訳(メタデータ) (2021-10-15T08:07:31Z) - 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) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳(メタデータ) (2021-07-28T10:19:58Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - Anomaly Detection in Beehives using Deep Recurrent Autoencoders [3.449808359602251]
本稿では、その起源に依存しないデータの任意の種類の異常を検出するディープラーニングモデルであるオートエンコーダを提案する。
我々のモデルは、単純なルールベースのSwarm検出アルゴリズムと同一のSwarmを明らかにすることができるが、他の異常によっても引き起こされる。
論文 参考訳(メタデータ) (2020-03-10T08:39:37Z)
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。