論文の概要: FastATDC: Fast Anomalous Trajectory Detection and Classification

• arxiv url: http://arxiv.org/abs/2207.11541v1
• Date: Sat, 23 Jul 2022 15:32:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 15:13:01.460747
• Title: FastATDC: Fast Anomalous Trajectory Detection and Classification
• Title（参考訳）: FastATDC: 高速な軌跡検出と分類
• Authors: Tianle Ni, Jingwei Wang, Yunlong Ma, Shuang Wang, Min Liu, and Weiming Shen
• Abstract要約: 異常軌跡検出・分類(ATDC)のための2段階アルゴリズムを提案する。 FastATDCは、実際のデータセットでATDCよりも10倍から20倍高速である。
• 参考スコア（独自算出の注目度）: 11.227738345850652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated detection of anomalous trajectories is an important problem with considerable applications in intelligent transportation systems. Many existing studies have focused on distinguishing anomalous trajectories from normal trajectories, ignoring the large differences between anomalous trajectories. A recent study has made great progress in identifying abnormal trajectory patterns and proposed a two-stage algorithm for anomalous trajectory detection and classification (ATDC). This algorithm has excellent performance but suffers from a few limitations, such as high time complexity and poor interpretation. Here, we present a careful theoretical and empirical analysis of the ATDC algorithm, showing that the calculation of anomaly scores in both stages can be simplified, and that the second stage of the algorithm is much more important than the first stage. Hence, we develop a FastATDC algorithm that introduces a random sampling strategy in both stages. Experimental results show that FastATDC is 10 to 20 times faster than ATDC on real datasets. Moreover, FastATDC outperforms the baseline algorithms and is comparable to the ATDC algorithm.
• Abstract（参考訳）: 異常軌道の自動検出は知的輸送システムにおいて重要な問題である。 既存の多くの研究は、異常軌跡と正常軌跡を区別することに集中しており、異常軌跡間の大きな違いを無視している。 最近の研究は異常軌道パターンの同定に大きな進歩をもたらし、異常軌道検出と分類(atdc)のための2段階アルゴリズムを提案した。 このアルゴリズムは優れた性能を持つが、高時間複雑性や不十分な解釈など、いくつかの制限に苦しむ。 本稿では,ATDCアルゴリズムの理論的,実証的な解析を行い,各段階における異常スコアの計算を単純化し,第1段階よりも第2段階の方が重要であることを示す。 そこで我々は,両方の段階でランダムサンプリング戦略を導入するFastATDCアルゴリズムを開発した。 実験の結果,FastATDCは実際のデータセットのATDCの10倍から20倍高速であることがわかった。 さらに、FastATDCはベースラインアルゴリズムよりも優れており、ATDCアルゴリズムに匹敵する。

関連論文リスト

• Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
  BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。 我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。 理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
  論文  参考訳（メタデータ） (2023-12-02T07:00:46Z)
• Distribution-Based Trajectory Clustering [14.781854651899705]
  軌道クラスタリングは、軌道データの共通パターンの発見を可能にする。 距離測定には高い計算コストと低い忠実度という2つの課題がある。 我々は,最近の分散カーネル(IDK)を3つの課題に対処するための主要なツールとして利用することを提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:28:34Z)
• Toward Asymptotic Optimality: Sequential Unsupervised Regression of Density Ratio for Early Classification [11.470070927586017]
  時系列の早期分類に理論的に着想を得た逐次密度比推定(SDRE)アルゴリズムを提案する。 2つの新しいSPRTベースのアルゴリズムであるB2Bsqrt-TANDEMとTANDEMformerは、SDRの正確な教師なし回帰に対する過正規化問題を回避するために設計されている。
  論文  参考訳（メタデータ） (2023-02-20T07:20:53Z)
• Anomaly Rule Detection in Sequence Data [2.3757190901941736]
  本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。 本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
  論文  参考訳（メタデータ） (2021-11-29T23:52:31Z)
• Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
  分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。 提案アルゴリズムの有効性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-11-04T16:49:29Z)
• Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth Nonlinear TD Learning [145.54544979467872]
  本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。 本研究の結果は, 同時一次および二重側収束の形で表される。
  論文  参考訳（メタデータ） (2020-08-23T20:36:49Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)
• CRATOS: Cognition of Reliable Algorithm for Time-series Optimal Solution [12.906367105870341]
  CRATOSは、時系列から特徴を抽出し、同様の特徴を持つクラスタシリーズを1つのグループにまとめる自己適応アルゴリズムである。 本手法は,異常検出の開発・保守コストを大幅に削減することができる。 本論文における異常検出アルゴリズムの精度は85.1%である。
  論文  参考訳（メタデータ） (2020-03-03T09:49:30Z)

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。