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
- 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) - Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly
Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。
我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。
FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2023-11-17T07:49:20Z) - A Supervised Embedding and Clustering Anomaly Detection method for
classification of Mobile Network Faults [0.0]
本稿では,SEMC-AD(Supervised Embedding and Clustering Anomaly Detection)を紹介する。
モバイルネットワークにおける異常警報ログを効率よく識別し、手動監視の課題を軽減するために設計された手法である。
SEMC-ADは99%の異常検出を達成し、ランダム森林とXGBoostはそれぞれ86%と81%の異常を検知している。
論文 参考訳(メタデータ) (2023-10-10T16:54:25Z) - 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) - AGRO: Adversarial Discovery of Error-prone groups for Robust
Optimization [109.91265884632239]
群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。
本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。
AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
論文 参考訳(メタデータ) (2022-12-02T00:57:03Z) - 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) - 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) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳(メタデータ) (2020-12-08T08:52:00Z) - 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) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳(メタデータ) (2020-03-19T13:30:45Z) - Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。
遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。
実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
論文 参考訳(メタデータ) (2020-02-05T02:21:52Z)
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。