論文の概要: GADformer: A Transparent Transformer Model for Group Anomaly Detection on Trajectories

• arxiv url: http://arxiv.org/abs/2303.09841v2
• Date: Thu, 25 Apr 2024 10:09:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-27 00:27:30.857565
• Title: GADformer: A Transparent Transformer 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透過トランスフォーマーモデル
• Authors: Andreas Lohrer, Darpan Malik, Claudius Zelenka, Peer Kröger,
• Abstract要約: グループ異常検出(GAD)は、個々のメンバーが異常ではない場合の異常なパターンを特定する。 本稿では,非教師付きおよび半教師付き設定におけるトラジェクトリ上での注意駆動型GADモデルであるGADformerを紹介する。 また,Block-Attention-anomaly-Score (BAS)を導入し,注意パターンを評価することでモデルの透明性を高める。
• 参考スコア（独自算出の注目度）: 0.9971221656644376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Group Anomaly Detection (GAD) identifies unusual pattern in groups where individual members might not be anomalous. This task is of major importance across multiple disciplines, in which also sequences like trajectories can be considered as a group. As groups become more diverse in heterogeneity and size, detecting group anomalies becomes challenging, especially without supervision. Though Recurrent Neural Networks are well established deep sequence models, their performance can decrease with increasing sequence lengths. Hence, this paper introduces GADformer, a BERT-based model for attention-driven GAD on trajectories in unsupervised and semi-supervised settings. We demonstrate how group anomalies can be detected by attention-based GAD. We also introduce the Block-Attention-anomaly-Score (BAS) to enhance model transparency by scoring attention patterns. In addition to that, synthetic trajectory generation allows various ablation studies. In extensive experiments we investigate our approach versus related works in their robustness for trajectory noise and novelties on synthetic data and three real world datasets.
• Abstract（参考訳）: グループ異常検出(GAD)は、個々のメンバーが異常ではない場合の異常なパターンを特定する。 このタスクは複数の分野において重要な意味を持ち、軌道のような列も群として考えることができる。 群は異質性や大きさの多様性が増すにつれて、特に監督なしに集団異常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、シーケンス長の増大に伴い性能が低下する可能性がある。 そこで本稿では,非教師付きおよび半教師付き設定におけるトラジェクトリ上での注意駆動型GADモデルであるGADformerを紹介する。 注意に基づくGADにより集団異常を検出できることを示す。 また,Block-Attention-anomaly-Score (BAS)を導入し,注意パターンを評価することでモデルの透明性を高める。 それに加えて、合成軌道生成は様々なアブレーション研究を可能にする。 広範にわたる実験では,3つの実世界のデータセットと合成データに対するトラジェクティブノイズと新規性に対するロバスト性について,我々のアプローチと関連する研究について検討する。

関連論文リスト

• 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)
• End-To-End 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)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• 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。