論文の概要: GADFormer: An Attention-based Model for Group Anomaly Detection on Trajectories

• arxiv url: http://arxiv.org/abs/2303.09841v1
• Date: Fri, 17 Mar 2023 08:49:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 15:13:00.239666
• Title: GADFormer: An Attention-based Model for Group Anomaly Detection on Trajectories
• Title（参考訳）: GADFormer: 軌道上のグループ異常検出のための注意に基づくモデル
• Authors: Andreas Lohrer, Darpan Malik and Peer Kr\"oger
• Abstract要約: グループ異常検出(GAD)は、複数のメンバーインスタンスからなるグループ間の異常な振る舞いを明らかにする。 GADFormerはGAD固有のBERTアーキテクチャであり、教師なしおよび半教師なしの設定で軌道上の注意に基づくGADを実行することができる。
• 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: Group Anomaly Detection (GAD) reveals anomalous behavior among groups consisting of multiple member instances, which are, individually considered, not necessarily anomalous. This task is of major importance across multiple disciplines, in which also sequences like trajectories can be considered as a group. However, with increasing amount and heterogenity of group members, actual abnormal groups get harder to detect, especially in an unsupervised or semi-supervised setting. Recurrent Neural Networks are well established deep sequence models, but recent works have shown that their performance can decrease with increasing sequence lengths. Hence, we introduce with this paper GADFormer, a GAD specific BERT architecture, capable to perform attention-based Group Anomaly Detection on trajectories in an unsupervised and semi-supervised setting. We show formally and experimentally how trajectory outlier detection can be realized as an attention-based Group Anomaly Detection problem. Furthermore, we introduce a Block Attention-anomaly Score (BAS) to improve the interpretability of transformer encoder blocks for GAD. In addition to that, synthetic trajectory generation allows us to optimize the training for domain-specific GAD. In extensive experiments we investigate our approach versus GRU in their robustness for trajectory noise and novelties on synthetic and real world datasets.
• Abstract（参考訳）: グループ異常検出(GAD)は、複数のメンバーインスタンスから構成されるグループ間の異常な振る舞いを明らかにする。 このタスクは複数の分野にまたがって重要であり、トラジェクタのようなシーケンスもグループと見なすことができる。 しかし、グループメンバーの量や異質性の増加に伴い、特に教師なしまたは半教師なしの環境では、実際の異常集団の検出が困難になる。 リカレントニューラルネットワークは、よく確立されたディープシーケンスモデルであるが、近年の研究により、シーケンス長の増加に伴い、その性能が低下することが示された。 そこで本稿では,GAD固有のBERTアーキテクチャであるGADFormerについて紹介する。 注意に基づくグループ異常検出問題として, 軌道外乱検出をいかに実現できるかを, 公式かつ実験的に示す。 さらに,GAD用トランスフォーマーエンコーダブロックの解釈性を向上させるため,BAS(Block Attention-anomaly Score)を導入する。 それに加えて、合成軌道生成により、ドメイン固有のGADのトレーニングを最適化できる。 広範に実験を行った結果, 合成および実世界のデータセットにおけるトラジェクティブノイズと新規性に対するGRUに対する我々のアプローチを検討した。

関連論文リスト

• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• TSA on AutoPilot: Self-tuning Self-supervised Time Series Anomaly Detection [32.746688248671084]
  時系列異常検出(TSAD)は、環境センサ、産業タイプ、患者バイオマーカーなど、多くの応用を見出す。 TSADの2倍の課題は、様々な種類の時系列異常を検出できる汎用的で教師なしのモデルである。 TSAP for TSA "on autoPilot"を導入します。
  論文  参考訳（メタデータ） (2024-04-03T16:57:26Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Graph Anomaly Detection at Group Level: A Topology Pattern Enhanced Unsupervised Approach [25.383587951822964]
  本稿では,グループレベルグラフ異常検出(Gr-GAD)と呼ばれる新しいタスクのための教師なしフレームワークを提案する。 提案フレームワークはまず,長距離不整合を捕捉して潜在的な異常グループに属するアンカーノードを特定するために,グラフオートエンコーダ(GAE)の変種を用いる。 実世界のデータセットと合成データセットの両方の実験結果から,提案フレームワークは異常群を同定および局所化する上で優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-08-02T10:22:04Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Stochastic Aggregation in Graph Neural Networks [9.551282469099887]
  グラフニューラルネットワーク(GNN)は、過スムージングおよび限られた電力識別を含む病理を発現する。 GNNsにおける集約のための統合フレームワーク(STAG)を提案する。そこでは、近隣からの集約プロセスにノイズが(適応的に)注入され、ノード埋め込みを形成する。
  論文  参考訳（メタデータ） (2021-02-25T02:52:03Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Supervised Convex Clustering [1.4610038284393165]
  我々はSupervised Convex Clustering (SCC) という新しい統計パターン発見手法を提案し,開発する。 SCCは、情報ソースとガイドの両方から、共同凸核融合ペナルティを通じてより解釈可能なパターンを見つけるための強度を借りている。 シミュレーションによるSCCの実用的メリットとアルツハイマー病ゲノム学のケーススタディを示す。
  論文  参考訳（メタデータ） (2020-05-25T16:12:38Z)

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。