論文の概要: Abnormal Event Detection via Hypergraph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2304.01226v1
• Date: Sun, 2 Apr 2023 08:23:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 17:14:26.710325
• Title: Abnormal Event Detection via Hypergraph Contrastive Learning
• Title（参考訳）: ハイパーグラフコントラスト学習による異常事象検出
• Authors: Bo Yan, Cheng Yang, Chuan Shi, Jiawei Liu, Xiaochen Wang
• Abstract要約: 異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
• 参考スコア（独自算出の注目度）: 54.80429341415227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abnormal event detection, which refers to mining unusual interactions among involved entities, plays an important role in many real applications. Previous works mostly over-simplify this task as detecting abnormal pair-wise interactions. However, real-world events may contain multi-typed attributed entities and complex interactions among them, which forms an Attributed Heterogeneous Information Network (AHIN). With the boom of social networks, abnormal event detection in AHIN has become an important, but seldom explored task. In this paper, we firstly study the unsupervised abnormal event detection problem in AHIN. The events are considered as star-schema instances of AHIN and are further modeled by hypergraphs. A novel hypergraph contrastive learning method, named AEHCL, is proposed to fully capture abnormal event patterns. AEHCL designs the intra-event and inter-event contrastive modules to exploit self-supervised AHIN information. The intra-event contrastive module captures the pair-wise and multivariate interaction anomalies within an event, and the inter-event module captures the contextual anomalies among events. These two modules collaboratively boost the performance of each other and improve the detection results. During the testing phase, a contrastive learning-based abnormal event score function is further proposed to measure the abnormality degree of events. Extensive experiments on three datasets in different scenarios demonstrate the effectiveness of AEHCL, and the results improve state-of-the-art baselines up to 12.0% in Average Precision (AP) and 4.6% in Area Under Curve (AUC) respectively.
• Abstract（参考訳）: 異常事象検出は、関係するエンティティ間の異常な相互作用をマイニングすることを指し、多くの実アプリケーションにおいて重要な役割を果たす。 以前の作業は、ほとんどが異常なペアワイズインタラクションの検出として、このタスクを過度に単純化する。 しかし、現実世界のイベントには、多種類の属性を持つエンティティとそれら間の複雑な相互作用が含まれ、AHIN(Attributed Heterogeneous Information Network)を形成する。 ソーシャルネットワークのブームにより、AHINの異常事象検出は重要な課題となっているが、ほとんど探索されない。 本稿ではまず,AHINにおける異常事象検出問題について検討する。 これらの事象はahinの星スキーマの例と見なされ、さらにハイパーグラフによってモデル化される。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。 aehclは自己教師付きahin情報を利用するためにイベント内およびイベント間コントラストモジュールを設計する。 イベント内コントラストモジュールはイベント内のペアワイズおよび多変量相互作用異常をキャプチャし、イベント間モジュールはイベント間のコンテキスト異常をキャプチャする。 これら2つのモジュールは互いに協調的に性能を高め、検出結果を改善する。 テストフェーズでは、イベントの異常度を測定するために、コントラスト学習に基づく異常イベントスコア関数も提案されている。 異なるシナリオにおける3つのデータセットの大規模な実験は、AEHCLの有効性を示し、その結果、平均精度(AP)が12.0%、面積曲線(AUC)が4.6%まで改善された。

関連論文リスト

• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data [8.84352369893021]
  本稿では,効率的な表現学習と異常行動検出のための残差に基づく異常検出手法Rs-ADを提案する。 本手法を実世界の歩行データセット上で評価し,実験結果からF1スコアが0.839であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T22:08:09Z)
• Clustering Aided Weakly Supervised Training to Detect Anomalous Events in Surveillance Videos [20.368114998124295]
  ランダムなバッチ選択機構を含む複数のコントリビューションを有する弱教師付き異常検出システムを提案する。 ラベルノイズを緩和し,異常領域と正常領域の表現学習を改善するために,クラスタリング損失ブロックを提案する。 提案手法の大規模解析は,3つの一般的な異常検出データセットを用いて行われる。
  論文  参考訳（メタデータ） (2022-03-25T15:18:19Z)
• Reliable Shot Identification for Complex Event Detection via Visual-Semantic Embedding [72.9370352430965]
  本稿では,映像中の事象検出のための視覚的意味的誘導損失法を提案する。 カリキュラム学習に動機付け,高い信頼性の事例で分類器の訓練を開始するために,負の弾性正規化項を導入する。 提案する非ネット正規化問題の解法として,代替最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-12T11:46:56Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Unsupervised Event Detection, Clustering, and Use Case Exposition in Micro-PMU Measurements [0.0]
  我々はGAN(Generative Adversarial Networks)の概念に基づく教師なしイベント検出手法を開発した。 また,線形混合整数計画法に基づく2段階のアン教師なしクラスタリング手法を提案する。 結果から,本研究で広く普及している手法に勝るものであることが示唆された。
  論文  参考訳（メタデータ） (2020-07-30T05:20:29Z)

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。