論文の概要: Real-time detection of anomalies in large-scale transient surveys
- arxiv url: http://arxiv.org/abs/2111.00036v1
- Date: Fri, 29 Oct 2021 18:29:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 18:04:40.991304
- Title: Real-time detection of anomalies in large-scale transient surveys
- Title（参考訳）: 大規模過渡調査における異常のリアルタイム検出
- Authors: Daniel Muthukrishna, Kaisey S. Mandel, Michelle Lochner, Sara Webb,
Gautham Narayan
- Abstract要約: 本稿では, 異常な過渡光曲線を自動的にリアルタイムに検出する2つの新しい手法を提案する。
どちらの手法も、既知のトランジェント集団からの光曲線を正確にモデル化できるなら、モデル予測からの偏差は、おそらく異常である、という単純な考え方に基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New time-domain surveys, such as the Rubin Observatory Legacy Survey of Space
and Time (LSST), will observe millions of transient alerts each night, making
standard approaches of visually identifying new and interesting transients
infeasible. We present two novel methods of automatically detecting anomalous
transient light curves in real-time. Both methods are based on the simple idea
that if the light curves from a known population of transients can be
accurately modelled, any deviations from model predictions are likely
anomalies. The first modelling approach is a probabilistic neural network built
using Temporal Convolutional Networks (TCNs) and the second is an interpretable
Bayesian parametric model of a transient. We demonstrate our methods' ability
to provide anomaly scores as a function of time on light curves from the Zwicky
Transient Facility. We show that the flexibility of neural networks, the
attribute that makes them such a powerful tool for many regression tasks, is
what makes them less suitable for anomaly detection when compared with our
parametric model. The parametric model is able to identify anomalies with
respect to common supernova classes with low false anomaly rates and high true
anomaly rates achieving Area Under the Receive Operating Characteristic (ROC)
Curve (AUC) scores above 0.8 for most rare classes such as kilonovae, tidal
disruption events, intermediate luminosity transients, and pair-instability
supernovae. Our ability to identify anomalies improves over the lifetime of the
light curves. Our framework, used in conjunction with transient classifiers,
will enable fast and prioritised follow-up of unusual transients from new
large-scale surveys.
- Abstract（参考訳）: Rubin Observatory Legacy Survey of Space and Time (LSST)のような新しい時間領域のサーベイでは、毎晩何百万もの過渡的な警報を観測し、新しい興味深い過渡期を視覚的に特定する標準的なアプローチを作成する。
本稿では,異常な過渡光曲線をリアルタイムに自動検出する2つの新しい手法を提案する。
どちらの方法も、既知の過渡数の光曲線を正確にモデル化できるなら、モデル予測からの逸脱はおそらく異常である、という単純な考え方に基づいている。
第1のモデリングアプローチは、時間畳み込みネットワーク(TCN)を用いて構築された確率論的ニューラルネットワークであり、第2のモデルは過渡性の解釈可能なベイズパラメトリックモデルである。
我々は,Zwicky Transient Facilityの光曲線の時間関数として異常スコアを提供する手法の能力を実証した。
ニューラルネットワークの柔軟性は、多くの回帰タスクにそのような強力なツールを与える特性であり、パラメトリックモデルと比較して異常検出にはあまり適さないことを示す。
パラメトリックモデルは、キロノワ、潮流破壊事象、中間光度過渡現象、ペア不安定超新星など、ほとんどの希少クラスにおいて、受信操作特性(roc)曲線(auc)の下の領域に到達する、低い偽の異常率と高い真の異常率を持つ一般的な超新星クラスに関する異常を識別することができる。
異常を識別する能力は、光曲線の寿命よりも向上する。
当社のフレームワークは,トランジェント分類器と連携して,新たな大規模調査から異常なトランジェントを迅速かつ優先的に追跡可能にする。
関連論文リスト
- A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients [0.0]
リアルタイム異常検出は、大規模な天文学調査の時代に稀な過渡期を識別するために不可欠である。
現在、天文学的トランジェントに対するほとんどの異常検出アルゴリズムは、光曲線から抽出された手作りの特徴に依存している。
本稿では,異常検出のための潜在空間としてニューラルネットワーク分類器の最後層を用いる,異常検出のための代替手法を提案する。
論文 参考訳（メタデータ） (2024-03-21T18:00:00Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised
Time Series Anomaly Detection [49.52429991848581]
深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。
本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
論文 参考訳（メタデータ） (2023-10-09T12:36:16Z) - Understanding of the properties of neural network approaches for
transient light curve approximations [37.91290708320157]
本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。
テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
論文 参考訳（メタデータ） (2022-09-15T18:00:08Z) - Real-time Detection of Anomalies in Multivariate Time Series of
Astronomical Data [0.0]
天文トランジェント(英: Astronomical transients)は、様々な時間スケールで一時的に明るくなる恒星天体である。
新しい天文学的なスカイサーベイは、かつてない数のマルチ波長のトランジェントを観測している。
本稿では, 高速かつ自動で異常な過渡光曲線をリアルタイムに検出することを目的とした2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-15T19:02:54Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - FastAno: Fast Anomaly Detection via Spatio-temporal Patch Transformation [6.112591965159383]
本研究では,空間回転変換 (SRT) と時間混合変換 (TMT) を提案し,通常のフレームキューブ内で不規則なパッチキューブを生成する。
提案手法は,3つの異常検出ベンチマークで評価され,競争精度が向上し,それまでのすべての作業を速度的に上回っている。
論文 参考訳（メタデータ） (2021-06-16T08:14:31Z) - A Deep Learning Approach for Active Anomaly Detection of Extragalactic
Transients [1.7152709285783647]
本稿では,シミュレーションしたルビン天文台の銀河外過渡現象をエンコードする変分リカレントオートエンコーダニューラルネットワークを提案する。
1,129,184のイベントを,孤立林を用いて推定した異常スコアに基づいてランク付けした。
我々のアルゴリズムは、ピーク前にこれらの過渡現象を異常と識別することができ、リアルタイムの追従研究を可能にしている。
論文 参考訳（メタデータ） (2021-03-22T18:02:19Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - 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。