論文の概要: Outlier Detection for Trajectories via Flow-embeddings
- arxiv url: http://arxiv.org/abs/2111.13235v1
- Date: Thu, 25 Nov 2021 19:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 18:19:17.498356
- Title: Outlier Detection for Trajectories via Flow-embeddings
- Title(参考訳): フローエンベディングによる軌道の異常検出
- Authors: Florian Frantzen and Jean-Baptiste Seby and Michael T. Schaub
- Abstract要約: 本稿では, 単体錯体でモデル化した離散化多様体上での実験的に観測された軌道の外れ値を検出する手法を提案する。
我々のアプローチは拡散写像やラプラシア固有写像のようなスペクトル埋め込みと似ており、低固有値に関連するグラフラプラシアンの固有ベクトルから埋め込みを構成する。
本手法は, 一般的な軌跡と(位相的に)異なる挙動の軌跡を抽出し, 合成データと経験データの両方を用いて, アプローチの性能を示す。
- 参考スコア(独自算出の注目度): 2.66418345185993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a method to detect outliers in empirically observed trajectories
on a discrete or discretized manifold modeled by a simplicial complex. Our
approach is similar to spectral embeddings such as diffusion-maps and Laplacian
eigenmaps, that construct vertex embeddings from the eigenvectors of the graph
Laplacian associated with low eigenvalues. Here we consider trajectories as
edge-flow vectors defined on a simplicial complex, a higher-order
generalization of graphs, and use the Hodge 1-Laplacian of the simplicial
complex to derive embeddings of these edge-flows. By projecting trajectory
vectors onto the eigenspace of the Hodge 1-Laplacian associated to small
eigenvalues, we can characterize the behavior of the trajectories relative to
the homology of the complex, which corresponds to holes in the underlying
space. This enables us to classify trajectories based on simply interpretable,
low-dimensional statistics. We show how this technique can single out
trajectories that behave (topologically) different compared to typical
trajectories, and illustrate the performance of our approach with both
synthetic and empirical data.
- Abstract(参考訳): 単純複体によってモデル化された離散的あるいは離散化された多様体上の実験的に観測された軌道の外れ値を検出する手法を提案する。
我々のアプローチは拡散写像やラプラシア固有写像のようなスペクトル埋め込みと似ており、低固有値に関連するグラフラプラシアンの固有ベクトルから頂点埋め込みを構成する。
ここでは、軌跡をグラフの高階一般化である単体複体上で定義される辺フローベクトルとみなし、これらの辺フローの埋め込みを導出するために、単体複体のホッジ 1-ラプラシアンを用いる。
小さな固有値に関連するホッジ 1-ラプラシアンの固有空間に軌跡ベクトルを射影することにより、基礎空間の穴に対応する複素体のホモロジーに対する軌跡の挙動を特徴づけることができる。
これにより、単純な解釈可能な低次元統計に基づいて軌道を分類することができる。
本手法は, 一般的な軌跡と(位相的に)異なる挙動の軌跡を抽出し, 合成データと経験データの両方を用いて, アプローチの性能を示す。
関連論文リスト
- Sampling and estimation on manifolds using the Langevin diffusion [48.898189211250234]
離散化マルコフ過程に基づく$mu_phi $の線形汎函数の2つの推定器を検討する。
誤差境界は、本質的に定義されたランゲヴィン拡散の離散化を用いてサンプリングと推定のために導出される。
論文 参考訳(メタデータ) (2023-12-22T18:01:11Z) - Disentangling the Spectral Properties of the Hodge Laplacian: Not All
Small Eigenvalues Are Equal [5.70896453969985]
グラフラプラシアンの豊富なスペクトル情報は、グラフ理論、機械学習、グラフ信号処理において有効である。
近年、ホッジ・ラプラシアン (Hodge Laplacian) は高階グラフモデルに対する通常のラプラシアン (Laplacian) の一般化として注目されるようになった。
論文 参考訳(メタデータ) (2023-11-24T12:00:50Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - Representing Edge Flows on Graphs via Sparse Cell Complexes [6.74438532801556]
本稿では, フロー表現学習問題,すなわち, 観測されたグラフをセルの集合で拡張する問題を紹介する。
この問題はNPハードであり,その解に対する効率的な近似アルゴリズムを導入している。
論文 参考訳(メタデータ) (2023-09-04T14:30:20Z) - Convolutional Filtering on Sampled Manifolds [122.06927400759021]
サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。
本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
論文 参考訳(メタデータ) (2022-11-20T19:09:50Z) - Towards Modeling and Resolving Singular Parameter Spaces using
Stratifolds [18.60761407945024]
学習力学において、特異点は学習軌道の引力として作用し、従ってモデルの収束速度に悪影響を及ぼす。
直交多様体を用いて特異点から生じる問題を回避するための一般的な手法を提案する。
経験的に、特異空間の代わりに滑らかな多様体近似に(自然な)勾配勾配を用いることで、魅力の振舞いを回避でき、学習における収束速度を向上できることを示す。
論文 参考訳(メタデータ) (2021-12-07T14:42:45Z) - A Differential Geometry Perspective on Orthogonal Recurrent Models [56.09491978954866]
我々は微分幾何学からのツールと洞察を用いて、直交rnnの新しい視点を提供する。
直交RNNは、発散自由ベクトル場の空間における最適化と見なすことができる。
この観測に動機づけられて、ベクトル場全体の空間にまたがる新しいリカレントモデルの研究を行う。
論文 参考訳(メタデータ) (2021-02-18T19:39:22Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z) - Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。
多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。
本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。
実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文 参考訳(メタデータ) (2020-07-07T10:04:28Z) - The Boomerang Sampler [4.588028371034406]
本稿では, 連続時間非可逆マルコフ連鎖モンテカルロアルゴリズムの新たなクラスとして, ブーメラン・サンプラーを導入する。
提案手法は実装が容易であることを実証し,既存のベンチマークを断片的決定論的マルコフプロセスより優れていることを示す。
論文 参考訳(メタデータ) (2020-06-24T14:52:22Z)
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。