Fugu-MT 論文翻訳(概要): A Classifier-Based Approach to Multi-Class Anomaly Detection Applied to Astronomical Time-Series

論文の概要: A Classifier-Based Approach to Multi-Class Anomaly Detection Applied to Astronomical Time-Series

arxiv url: http://arxiv.org/abs/2408.08888v1
Date: Mon, 5 Aug 2024 18:00:00 GMT
ステータス: 処理完了
システム内更新日: 2024-08-25 14:30:57.218624
Title: A Classifier-Based Approach to Multi-Class Anomaly Detection Applied to Astronomical Time-Series
Title（参考訳）: 天文時系列に応用したマルチクラス異常検出のための分類器に基づくアプローチ
Authors: Rithwik Gupta, Daniel Muthukrishna, Michelle Lochner,
Abstract要約: 異常検出は多くの科学分野において未解決の問題です天文時系列のほとんどの異常検出アルゴリズムは、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依存している。本稿では,ニューラルネットワーク分類器の潜時空間を利用した異常検出手法を提案する。
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: Automating anomaly detection is an open problem in many scientific fields, particularly in time-domain astronomy, where modern telescopes generate millions of alerts per night. Currently, most anomaly detection algorithms for astronomical time-series rely either on hand-crafted features or on features generated through unsupervised representation learning, coupled with standard anomaly detection algorithms. In this work, we introduce a novel approach that leverages the latent space of a neural network classifier for anomaly detection. We then propose a new method called Multi-Class Isolation Forests (MCIF), which trains separate isolation forests for each class to derive an anomaly score for an object based on its latent space representation. This approach significantly outperforms a standard isolation forest when distinct clusters exist in the latent space. Using a simulated dataset emulating the Zwicky Transient Facility (54 anomalies and 12,040 common), our anomaly detection pipeline discovered $46\pm3$ anomalies ($\sim 85\%$ recall) after following up the top 2,000 ($\sim 15\%$) ranked objects. Furthermore, our classifier-based approach outperforms or approaches the performance of other state-of-the-art anomaly detection pipelines. Our novel method demonstrates that existing and new classifiers can be effectively repurposed for real-time anomaly detection. The code used in this work, including a Python package, is publicly available, https://github.com/Rithwik-G/AstroMCAD.
Abstract（参考訳）: 異常検出を自動化することは、多くの科学分野、特に現代の望遠鏡が毎晩数百万のアラートを発生させる時間領域天文学において、オープンな問題である。現在、天文時系列のほとんどの異常検出アルゴリズムは、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、標準の異常検出アルゴリズムと組み合わせて依存している。本研究では,ニューラルネットワーク分類器の潜時空間を利用した異常検出手法を提案する。そこで我々は,その潜在空間表現に基づくオブジェクトの異常スコアを導出するために,クラス毎に孤立林を分離する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、潜在空間に異なるクラスターが存在する場合、標準的な孤立林よりも著しく優れる。 Zwicky Transient Facility(54の異常と12,040の一般的)をエミュレートしたシミュレーションデータセットを使用して、私たちの異常検出パイプラインは、上位2000(\sim 15\%$)ランクのオブジェクトをフォローした後、46\pm3$異常(\sim 85\%$リコール)を発見した。さらに、分類器に基づくアプローチは、他の最先端の異常検出パイプラインの性能より優れているか、あるいは優れている。提案手法は,既存および新分類器をリアルタイムな異常検出に効果的に再利用できることを実証する。この作業で使用されたPythonパッケージを含むコードは、https://github.com/Rithwik-G/AstroMCAD.comで公開されている。

関連論文リスト

GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文参考訳（メタデータ） (2024-07-17T09:27:41Z)
A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients [0.0]
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。
論文参考訳（メタデータ） (2024-03-21T18:00:00Z)
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)
UniFormaly: Towards Task-Agnostic Unified Framework for Visual Anomaly Detection [6.260747047974035]
We present UniFormaly, a universal and powerful anomaly detection framework。我々は,オンラインエンコーダ方式の準最適問題を指摘することによって,オフ・ザ・シェルフアプローチの必要性を強調した。 UniFormalyは様々なタスクやデータセットで優れた結果を得る。
論文参考訳（メタデータ） (2023-07-24T06:04:12Z)
A Novel Self-Supervised Learning-Based Anomaly Node Detection Method Based on an Autoencoder in Wireless Sensor Networks [4.249028315152528]
本稿では,オートエンコーダに基づく自己教師付き学習に基づく異常ノード検出手法を設計する。本手法は,時間的WSNデータフロー特徴抽出,空間的位置特徴抽出,モーダルWSN相関特徴抽出を統合する。実験の結果、設計法はベースラインを上回り、F1スコアは90.6%に達した。
論文参考訳（メタデータ） (2022-12-26T01:54:02Z)
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)
Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。異なるタイプのクラスオーバーラップしたデータセットに適用することができる。初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文参考訳（メタデータ） (2022-11-01T18:07:21Z)
DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文参考訳（メタデータ） (2021-06-09T21:57:41Z)
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。