論文の概要: NUMOSIM: A Synthetic Mobility Dataset with Anomaly Detection Benchmarks
- arxiv url: http://arxiv.org/abs/2409.03024v1
- Date: Wed, 4 Sep 2024 18:31:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-07 00:59:44.089008
- Title: NUMOSIM: A Synthetic Mobility Dataset with Anomaly Detection Benchmarks
- Title（参考訳）: NUMOSIM: 異常検出ベンチマークを備えた合成モビリティデータセット
- Authors: Chris Stanford, Suman Adari, Xishun Liao, Yueshuai He, Qinhua Jiang, Chenchen Kuai, Jiaqi Ma, Emmanuel Tung, Yinlong Qian, Lingyi Zhao, Zihao Zhou, Zeeshan Rasheed, Khurram Shafique,
- Abstract要約: 本稿では,自動ベンチマーク手法の制御,倫理的,多様な環境を提供する合成モビリティデータセットNUMOSIMを紹介する。
NUMOSIMは様々な現実的なモビリティシナリオをシミュレートし、典型的な動作と異常な動作の両方を包含する。
NUMOSIMデータセットへのオープンアクセスと、包括的なドキュメント、評価指標、ベンチマーク結果を提供する。
- 参考スコア（独自算出の注目度）: 5.852777557137612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collecting real-world mobility data is challenging. It is often fraught with privacy concerns, logistical difficulties, and inherent biases. Moreover, accurately annotating anomalies in large-scale data is nearly impossible, as it demands meticulous effort to distinguish subtle and complex patterns. These challenges significantly impede progress in geospatial anomaly detection research by restricting access to reliable data and complicating the rigorous evaluation, comparison, and benchmarking of methodologies. To address these limitations, we introduce a synthetic mobility dataset, NUMOSIM, that provides a controlled, ethical, and diverse environment for benchmarking anomaly detection techniques. NUMOSIM simulates a wide array of realistic mobility scenarios, encompassing both typical and anomalous behaviours, generated through advanced deep learning models trained on real mobility data. This approach allows NUMOSIM to accurately replicate the complexities of real-world movement patterns while strategically injecting anomalies to challenge and evaluate detection algorithms based on how effectively they capture the interplay between demographic, geospatial, and temporal factors. Our goal is to advance geospatial mobility analysis by offering a realistic benchmark for improving anomaly detection and mobility modeling techniques. To support this, we provide open access to the NUMOSIM dataset, along with comprehensive documentation, evaluation metrics, and benchmark results.
- Abstract（参考訳）: 現実世界のモビリティデータの収集は難しい。
プライバシーの懸念、論理的困難、および固有の偏見に悩まされることが多い。
さらに、微妙で複雑なパターンを区別するために細心の注意を要するため、大規模データの異常を正確にアノテートすることはほぼ不可能である。
これらの課題は、信頼性のあるデータへのアクセスを制限し、厳密な評価、比較、および方法論のベンチマークを複雑化することにより、地理空間異常検出研究の進展を著しく妨げた。
これらの制約に対処するため,我々はNUMOSIMという合成モビリティデータセットを導入し,異常検出手法のベンチマークを行うための制御,倫理的,多様な環境を提供する。
NUMOSIMは、さまざまな現実的なモビリティシナリオをシミュレートし、実際のモビリティデータに基づいてトレーニングされた高度なディープラーニングモデルによって生成された、典型的な動作と異常な動作の両方を包含する。
このアプローチにより、NUMOSIMは現実の運動パターンの複雑さを正確に再現し、人口統計学、地理空間学、時間的要因間の相互作用を効果的に捉えた検出アルゴリズムに、戦略的に異常を注入して挑戦し、評価することができる。
我々のゴールは、異常検出およびモビリティモデリング技術を改善するための現実的なベンチマークを提供することで、地理空間モビリティ解析を向上することである。
これをサポートするために、包括的なドキュメント、評価指標、ベンチマーク結果とともに、NUMOSIMデータセットへのオープンアクセスを提供しています。
関連論文リスト
- Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。
次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。
20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文 参考訳（メタデータ） (2025-01-20T07:12:40Z) - A Generalizable Anomaly Detection Method in Dynamic Graphs [7.48376611870513]
GeneralDyGは、時間的エゴグラフをサンプリングし、構造的特徴と時間的特徴を逐次抽出する手法である。
提案したGeneralDyGは,4つの実世界のデータセット上で最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-12-21T02:38:48Z) - Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。
提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。
完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
論文 参考訳（メタデータ） (2024-12-16T09:14:32Z) - Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。
我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
論文 参考訳（メタデータ） (2024-10-01T19:02:06Z) - Neural Collaborative Filtering to Detect Anomalies in Human Semantic Trajectories [0.5774786149181392]
本研究では,人体軌跡の異常を検出するための軽量な異常検出モデルを構築した。
アルゴリズムは2つの主要モジュールから構成される。1つは協調フィルタリングモジュールであり、これは人間の正常な移動を興味のある場所にモデル化するための協調フィルタリングである。
提案手法の有効性を検証するために,シミュレーションおよび実世界のデータセットを用いて,多数の最先端の軌道異常検出手法と比較した広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-09-27T03:28:11Z) - LocoMuJoCo: A Comprehensive Imitation Learning Benchmark for Locomotion [20.545058017790428]
模倣学習は、エンボディエージェントでアジャイルの移動を可能にするための大きな約束を持っています。
本稿では,ILアルゴリズムの厳密な評価と比較を容易にするための新しいベンチマークを提案する。
このベンチマークは四足歩行、二足歩行、筋骨格人体モデルを含む多様な環境を含む。
論文 参考訳（メタデータ） (2023-11-04T19:41:50Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - Multiple Instance Learning for Detecting Anomalies over Sequential
Real-World Datasets [2.427831679672374]
MIL(Multiple Instance Learning)は、トレーニングデータセットにおけるラベルの不完全な知識に関する問題に対して有効であることが示されている。
MILに基づく定式化と,異なる設計決定に基づいて,このフレームワークの様々なアルゴリズムのインスタンス化を提案する。
このフレームワークは、さまざまな現実世界のアプリケーションドメインから生じる多様なデータセットをうまく一般化する。
論文 参考訳（メタデータ） (2022-10-04T16:02:09Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z)
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。