Fugu-MT 論文翻訳(概要): Unsupervised Detection of Behavioural Drifts with Dynamic Clustering and Trajectory Analysis

論文の概要: Unsupervised Detection of Behavioural Drifts with Dynamic Clustering and Trajectory Analysis

arxiv url: http://arxiv.org/abs/2302.06228v1
Date: Mon, 13 Feb 2023 10:02:20 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 16:07:07.124803
Title: Unsupervised Detection of Behavioural Drifts with Dynamic Clustering and Trajectory Analysis
Title（参考訳）: 動的クラスタリングと軌道解析による挙動ドリフトの教師なし検出
Authors: Bardh Prenkaj, Paola Velardi
Abstract要約: 経時的変化の手順は、一般的にドリフト異常と呼ばれるが、文献ではあまり注目されていない。そこで我々は,DynAmoという,完全に教師なしのリアルタイムドリフト検出アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 2.6955785230358966
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Real-time monitoring of human behaviours, especially in e-Health applications, has been an active area of research in the past decades. On top of IoT-based sensing environments, anomaly detection algorithms have been proposed for the early detection of abnormalities. Gradual change procedures, commonly referred to as drift anomalies, have received much less attention in the literature because they represent a much more challenging scenario than sudden temporary changes (point anomalies). In this paper, we propose, for the first time, a fully unsupervised real-time drift detection algorithm named DynAmo, which can identify drift periods as they are happening. DynAmo comprises a dynamic clustering component to capture the overall trends of monitored behaviours and a trajectory generation component, which extracts features from the densest cluster centroids. Finally, we apply an ensemble of divergence tests on sliding reference and detection windows to detect drift periods in the behavioural sequence.
Abstract（参考訳）: 人間の行動のリアルタイムモニタリング、特にe-Healthアプリケーションでは、過去数十年にわたり活発な研究領域となっている。 IoTベースのセンシング環境の上に、異常の早期検出のための異常検出アルゴリズムが提案されている。ドリフト異常と呼ばれる段階的な変化手順は、突然の一時的な変化(ポイント異常)よりも困難なシナリオを表しているため、文献にはあまり注目されていない。本稿では,DynAmo という完全に教師なしのリアルタイムドリフト検出アルゴリズムを初めて提案する。 dynamoは、監視された振る舞いの全体的なトレンドをキャプチャする動的クラスタリングコンポーネントと、最も密集したクラスタ中心から特徴を抽出する軌道生成コンポーネントで構成されている。最後に,スライディング参照窓と検出窓の発散テストのアンサンブルを適用し,行動系列のドリフト周期を検出する。

関連論文リスト

Frequency-Guided Multi-Level Human Action Anomaly Detection with Normalizing Flows [13.77542608443034]
本研究では,人間の行動異常検出(HAAD)の課題について紹介する。ビデオからの異常な出来事に主に焦点をあてる以前の人間関係の異常検出タスクと比較して、HAADは、意味的に異常な人間の行動を認識するために、特定のアクションラベルを学習する。
論文参考訳（メタデータ） (2024-04-26T12:56:16Z)
Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection [103.92970668001277]
弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
論文参考訳（メタデータ） (2023-12-04T09:40:11Z)
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)
Expert enhanced dynamic time warping based anomaly detection [1.3812010983144802]
本稿では,E-DTWA(Expert enhanced dynamic time warping anomaly detection)と呼ばれる新しい異常検出手法を提案する。 DTWをベースにしており、Human-in-the-loopコンセプトを含むさらなる拡張が加えられている。提案手法の主な利点は、専門家の検知フィードバックを強く考慮した、効率的な検出、柔軟な再訓練である。
論文参考訳（メタデータ） (2023-10-02T04:54:04Z)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T14:10:09Z)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
交通渋滞異常検出は知的交通システムにおいて最重要事項である。本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。 Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
論文参考訳（メタデータ） (2022-06-28T17:08:47Z)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
論文参考訳（メタデータ） (2020-01-24T09:13:33Z)

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。