論文の概要: Sequential Attention Source Identification Based on Feature
Representation
- arxiv url: http://arxiv.org/abs/2306.15886v1
- Date: Wed, 28 Jun 2023 03:00:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 16:06:03.433752
- Title: Sequential Attention Source Identification Based on Feature
Representation
- Title(参考訳): 特徴表現に基づく逐次的注意源同定
- Authors: Dongpeng Hou, Zhen Wang, Chao Gao, Xuelong Li
- Abstract要約: 本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
- 参考スコア(独自算出の注目度): 88.05527934953311
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Snapshot observation based source localization has been widely studied due to
its accessibility and low cost. However, the interaction of users in existing
methods does not be addressed in time-varying infection scenarios. So these
methods have a decreased accuracy in heterogeneous interaction scenarios. To
solve this critical issue, this paper proposes a sequence-to-sequence based
localization framework called Temporal-sequence based Graph Attention Source
Identification (TGASI) based on an inductive learning idea. More specifically,
the encoder focuses on generating multiple features by estimating the influence
probability between two users, and the decoder distinguishes the importance of
prediction sources in different timestamps by a designed temporal attention
mechanism. It's worth mentioning that the inductive learning idea ensures that
TGASI can detect the sources in new scenarios without knowing other prior
knowledge, which proves the scalability of TGASI. Comprehensive experiments
with the SOTA methods demonstrate the higher detection performance and
scalability in different scenarios of TGASI.
- Abstract(参考訳): スナップショット観測に基づくソースローカライゼーションは、アクセシビリティと低コストのために広く研究されている。
しかし, 既存手法におけるユーザ間のインタラクションは, 時間変化による感染シナリオでは対処できない。
これらの手法は異種相互作用のシナリオにおいて精度が低下する。
そこで本研究では,インダクティブ・ラーニング・アイデアに基づく時間系列に基づくグラフ注意源同定(tgasi)と呼ばれる,シーケンスからシーケンスへの局所化手法を提案する。
より具体的には、エンコーダは2人のユーザ間の影響確率を推定して複数の特徴を生成し、デコーダは設計した時間的注意機構により異なるタイムスタンプにおける予測ソースの重要性を区別する。
ただし、インダクティブラーニングのアイデアは、TGASIが他の事前知識を知らずに新しいシナリオのソースを検出できることを保証するもので、TGASIのスケーラビリティを証明している点には注意が必要だ。
SOTA法による総合的な実験は、TGASIの異なるシナリオにおける高い検出性能とスケーラビリティを示す。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - ACE : Off-Policy Actor-Critic with Causality-Aware Entropy
Regularization [54.307506988310045]
因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。
提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
論文 参考訳(メタデータ) (2024-02-22T13:22:06Z) - Spatio-Temporal Attention Graph Neural Network for Remaining Useful Life
Prediction [1.831835396047386]
本研究では,時空間注意グラフニューラルネットワークを提案する。
本モデルでは,空間的・時間的特徴抽出のために,グラフニューラルネットワークと時間的畳み込みニューラルネットワークを組み合わせる。
C-MAPSSデータセットを用いて、クラスタリング正規化とクラスタリング正規化の影響を評価するための総合的な実験を行った。
論文 参考訳(メタデータ) (2024-01-29T08:49:53Z) - Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly
Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。
本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。
当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文 参考訳(メタデータ) (2023-10-01T21:24:05Z) - Adaptive Thresholding Heuristic for KPI Anomaly Detection [1.57731592348751]
時系列領域では、多くの異常検知器が探索されているが、ビジネス的な意味では、すべての異常検出器が興味のある異常であるわけではない。
本稿では,データ分布の局所特性に基づいて検出閾値を動的に調整し,時系列パターンの変化に適応する適応的閾値保持ヒューリスティック(ATH)を提案する。
実験結果から, ATHは効率が良く, ほぼリアルタイムで異常検出が可能であり, 予測器や異常検出器で柔軟であることがわかった。
論文 参考訳(メタデータ) (2023-08-21T06:45:28Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳(メタデータ) (2023-08-04T12:27:11Z) - A Novel Plagiarism Detection Approach Combining BERT-based Word
Embedding, Attention-based LSTMs and an Improved Differential Evolution
Algorithm [11.142354615369273]
本稿では,アテンション機構に基づく長短期メモリ(LSTM)とトランスフォーマー(BERT)ワード埋め込みによる双方向エンコーダ表現に基づくプラギアリズム検出手法を提案する。
BERTは下流タスクに含まれることができ、タスク固有の構造として微調整され、訓練されたBERTモデルは様々な言語特性を検出することができる。
論文 参考訳(メタデータ) (2023-05-03T18:26:47Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Leveraging Evidential Deep Learning Uncertainties with Graph-based
Clustering to Detect Anomalies [1.525943491541265]
本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。
本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
論文 参考訳(メタデータ) (2021-07-04T06:31:59Z) - Dynamic Bayesian Approach for decision-making in Ego-Things [8.577234269009042]
本稿では,マルチセンサデータと特徴選択に基づく動的システムの異常検出手法を提案する。
成長型ニューラルガス(GNG)は、マルチセンサーデータを一連のノードにクラスタリングするために使用される。
本手法は状態推定と異常検出にマルコフジャンプ粒子フィルタ(MJPF)を用いる。
論文 参考訳(メタデータ) (2020-10-28T11:38:51Z)
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。