論文の概要: A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients
- arxiv url: http://arxiv.org/abs/2403.14742v1
- Date: Thu, 21 Mar 2024 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 21:21:55.235749
- Title: A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients
- Title（参考訳）: 天文学的トランジェントに対する分類器に基づくマルチクラス異常検出手法
- Authors: Rithwik Gupta, Daniel Muthukrishna, Michelle Lochner,
- Abstract要約: リアルタイム異常検出は、大規模な天文学調査の時代に稀な過渡期を識別するために不可欠である。
現在、天文学的トランジェントに対するほとんどの異常検出アルゴリズムは、光曲線から抽出された手作りの特徴に依存している。
本稿では,異常検出のための潜在空間としてニューラルネットワーク分類器の最後層を用いる,異常検出のための代替手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automating real-time anomaly detection is essential for identifying rare transients in the era of large-scale astronomical surveys. Modern survey telescopes are generating tens of thousands of alerts per night, and future telescopes, such as the Vera C. Rubin Observatory, are projected to increase this number dramatically. Currently, most anomaly detection algorithms for astronomical transients rely either on hand-crafted features extracted from light curves or on features generated through unsupervised representation learning, which are then coupled with standard machine learning anomaly detection algorithms. In this work, we introduce an alternative approach to detecting anomalies: using the penultimate layer of a neural network classifier as the latent space for anomaly detection. We then propose a novel method, named Multi-Class Isolation Forests (MCIF), which trains separate isolation forests for each class to derive an anomaly score for a light curve from the latent space representation given by the classifier. This approach significantly outperforms a standard isolation forest. We also use a simpler input method for real-time transient classifiers which circumvents the need for interpolation in light curves and helps the neural network model inter-passband relationships and handle irregular sampling. Our anomaly detection pipeline identifies rare classes including kilonovae, pair-instability supernovae, and intermediate luminosity transients shortly after trigger on simulated Zwicky Transient Facility light curves. Using a sample of our simulations that matched the population of anomalies expected in nature (54 anomalies and 12,040 common transients), our method was able to discover $41\pm3$ anomalies (~75% recall) after following up the top 2000 (~15%) ranked transients. Our novel method shows that classifiers can be effectively repurposed for real-time anomaly detection.
- Abstract（参考訳）: リアルタイム異常検出の自動化は、大規模な天文学調査の時代に稀な過渡期を識別するために不可欠である。
現代のサーベイ望遠鏡は毎晩数万のアラートを発生させており、将来の望遠鏡、例えばベラ・C・ルービン天文台は、この数を劇的に増やすことを計画している。
現在、天文学的トランジェントに対するほとんどの異常検出アルゴリズムは、光曲線から抽出された手作りの特徴か、教師なし表現学習によって生成された特徴に頼っている。
本研究では,異常検出のための潜在空間としてニューラルネットワーク分類器の最後層を用いる,異常検出のための代替手法を提案する。
次に,分類器によって与えられる潜在空間表現から光曲線の異常スコアを導出するために,クラス毎に分離林を訓練する,MCIF (Multi-class isolated Forests) という新しい手法を提案する。
このアプローチは標準的な孤立林を著しく上回ります。
また,光曲線の補間を回避し,通過帯域間の関係をニューラルネットワークモデルで表現し,不規則なサンプリング処理を行う実時間過渡分類器の簡易な入力手法を用いる。
我々の異常検出パイプラインは、Zwicky Transient Facilityの光曲線をシミュレートした直後に、クルノバエ、対不安定超新星、中間光度超新星を含む希少なクラスを同定する。
自然界で予想される異常(54件の異常と12,040件の共通トランジェント)の集団と一致したシミュレーションのサンプルを用いて,上位2000件(~15%)の異常(～75%リコール)を追尾し,411\pm3$異常(～75%リコール)を検出できた。
提案手法は, リアルタイムな異常検出のために, 分類器を効果的に再利用できることを示す。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T04:45:56Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳（メタデータ） (2022-07-03T20:11:51Z) - Real-time Detection of Anomalies in Multivariate Time Series of
Astronomical Data [0.0]
天文トランジェント(英: Astronomical transients)は、様々な時間スケールで一時的に明るくなる恒星天体である。
新しい天文学的なスカイサーベイは、かつてない数のマルチ波長のトランジェントを観測している。
本稿では, 高速かつ自動で異常な過渡光曲線をリアルタイムに検出することを目的とした2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-15T19:02:54Z) - Real-time detection of anomalies in large-scale transient surveys [0.0]
本稿では, 異常な過渡光曲線を自動的にリアルタイムに検出する2つの新しい手法を提案する。
どちらの手法も、既知のトランジェント集団からの光曲線を正確にモデル化できるなら、モデル予測からの偏差は、おそらく異常である、という単純な考え方に基づいている。
論文 参考訳（メタデータ） (2021-10-29T18:29:25Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - PANDA : Perceptually Aware Neural Detection of Anomalies [20.838700258121197]
視覚的に異なる異常と微妙な異常の両方を検出するために、半監督方式で訓練された新しい微粒VAE-GANアーキテクチャを提案する。
残差接続された二重機能抽出器, きめ細かい識別器, 知覚的損失関数を用いることで, 微妙で低いクラス間変異(異常対正常)を検出することができる。
論文 参考訳（メタデータ） (2021-04-28T11:03:50Z) - A Deep Learning Approach for Active Anomaly Detection of Extragalactic
Transients [1.7152709285783647]
本稿では,シミュレーションしたルビン天文台の銀河外過渡現象をエンコードする変分リカレントオートエンコーダニューラルネットワークを提案する。
1,129,184のイベントを,孤立林を用いて推定した異常スコアに基づいてランク付けした。
我々のアルゴリズムは、ピーク前にこれらの過渡現象を異常と識別することができ、リアルタイムの追従研究を可能にしている。
論文 参考訳（メタデータ） (2021-03-22T18:02:19Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z)
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。