論文の概要: Neural Collaborative Filtering to Detect Anomalies in Human Semantic Trajectories
- arxiv url: http://arxiv.org/abs/2409.18427v2
- Date: Mon, 07 Oct 2024 13:07:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-08 13:08:45.316252
- Title: Neural Collaborative Filtering to Detect Anomalies in Human Semantic Trajectories
- Title(参考訳): ヒト意味軌道における異常検出のためのニューラルコラボレーティブフィルタ
- Authors: Yueyang Liu, Lance Kennedy, Hossein Amiri, Andreas Züfle,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5774786149181392
- License:
- Abstract: Human trajectory anomaly detection has become increasingly important across a wide range of applications, including security surveillance and public health. However, existing trajectory anomaly detection methods are primarily focused on vehicle-level traffic, while human-level trajectory anomaly detection remains under-explored. Since human trajectory data is often very sparse, machine learning methods have become the preferred approach for identifying complex patterns. However, concerns regarding potential biases and the robustness of these models have intensified the demand for more transparent and explainable alternatives. In response to these challenges, our research focuses on developing a lightweight anomaly detection model specifically designed to detect anomalies in human trajectories. We propose a Neural Collaborative Filtering approach to model and predict normal mobility. Our method is designed to model users' daily patterns of life without requiring prior knowledge, thereby enhancing performance in scenarios where data is sparse or incomplete, such as in cold start situations. Our algorithm consists of two main modules. The first is the collaborative filtering module, which applies collaborative filtering to model normal mobility of individual humans to places of interest. The second is the neural module, responsible for interpreting the complex spatio-temporal relationships inherent in human trajectory data. To validate our approach, we conducted extensive experiments using simulated and real-world datasets comparing to numerous state-of-the-art trajectory anomaly detection approaches.
- Abstract(参考訳): 人間の軌道異常検出は、セキュリティ監視や公衆衛生など、幅広いアプリケーションにおいてますます重要になっている。
しかし、既存の軌道異常検出法は主に車両レベルの交通に焦点を当てているが、人間レベルの軌道異常検出は未調査のままである。
人間の軌道データは非常に疎いことが多いため、複雑なパターンを特定するための機械学習手法が好まれている。
しかしながら、潜在的なバイアスやこれらのモデルの堅牢性に関する懸念は、より透明で説明可能な代替品の需要を増大させてきた。
これらの課題に対応するために,本研究では,人体軌道の異常を検出するための軽量な異常検出モデルの開発に焦点をあてる。
本稿では, ニューラルコラボレーティブ・フィルタリング手法を提案し, 正常なモビリティをモデル化し, 予測する。
本手法は, 利用者の生活パターンを事前の知識を必要とせずにモデル化し, コールドスタート状況など, データが疎い, あるいは不完全であるシナリオにおける性能を向上させる。
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つ目は協調フィルタリングモジュールで、これは人間の通常の移動を興味のある場所にモデル化するために協調フィルタリングを適用している。
2つ目は神経モジュールで、人間の軌跡データに固有の複雑な時空間的関係を解釈する。
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。
関連論文リスト
- Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex
Evolving Data Stream [15.599296461516984]
本稿では,自己エンコーダに基づくディープ・アノマリー検出手法を用いて,オンラインのディープ・アノマリー検出のためのフレームワークARCUSを提案する。
適応型モデルプーリングアプローチと2つの新しいテクニックを使って、複雑なデータストリームと進化するデータストリームを処理する。
高次元とコンセプトドリフトの両方の10データセットを用いた総合的な実験において、ARCUSは、最先端のオートエンコーダベースの手法のストリーミング変種を、それぞれ最大22%と37%の精度で検出した。
論文 参考訳(メタデータ) (2022-06-09T23:11:43Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。
そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
論文 参考訳(メタデータ) (2021-07-27T06:48:20Z) - Anomalous entities detection using a cascade of deep learning models [2.9005223064604078]
本稿では,試験ホールの複雑な状況において異常を検知する新しい手法を提案する。
提案手法は,深層畳み込みニューラルネットワークモデルのカスケードを用いる。
提案手法は異常な物体を検知し,異常な挙動を高精度に保証できることを示す。
論文 参考訳(メタデータ) (2021-03-09T01:23:19Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-03-01T01:43:04Z) - MOCCA: Multi-Layer One-Class ClassificAtion for Anomaly Detection [16.914663209964697]
我々は,Multi-Layer One-Class Classification (MOCCA) と呼ばれる異常検出問題に対するディープラーニングアプローチを提案する。
異なる深さで抽出された情報を利用して異常なデータインスタンスを検出することで、ディープニューラルネットワークのピースワイズ的性質を明示的に活用します。
本稿では,本手法が文献で利用可能な最先端手法と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2020-12-09T08:32:56Z) - 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) - Anomaly Detection in Trajectory Data with Normalizing Flows [0.0]
本稿では,ニューラルネットワークを用いたデータから複雑な密度推定を可能にする,正規化フローに基づく手法を提案する。
提案手法は, 軌道の各セグメントに対して, 流れを正規化する重要な特徴である, 正確なモデル確率値を算出する。
実世界の軌道データを用いて, 正規化フローを用いた集約異常検出法(GRADINGS)を評価し, 従来の異常検出法と比較した。
論文 参考訳(メタデータ) (2020-04-13T14:16:40Z) - Self-trained Deep Ordinal Regression for End-to-End Video Anomaly
Detection [114.9714355807607]
ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。
我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
論文 参考訳(メタデータ) (2020-03-15T08:44:55Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。