Fugu-MT 論文翻訳(概要): Uncertainty-aware Human Mobility Modeling and Anomaly Detection

論文の概要: Uncertainty-aware Human Mobility Modeling and Anomaly Detection

arxiv url: http://arxiv.org/abs/2410.01281v1
Date: Wed, 2 Oct 2024 06:57:08 GMT
ステータス: 処理完了
システム内更新日: 2024-11-04 22:09:02.169371
Title: Uncertainty-aware Human Mobility Modeling and Anomaly Detection
Title（参考訳）: 不確実性を考慮したヒューマンモビリティモデリングと異常検出
Authors: Haomin Wen, Shurui Cao, Leman Akoglu,
Abstract要約: 本研究では,効率的な異常検出に向けて,人間のエージェントの移動行動のモデル化方法について検討する。我々はGPSデータを時系列の静止点イベントとして使用し、それぞれに時間的特徴を特徴付ける。数万のエージェントによる大規模専門家シミュレーションデータセットの実験は、我々のモデルの有効性を実証している。
参考スコア（独自算出の注目度）: 28.311683535974634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Given the GPS coordinates of a large collection of human agents over time, how can we model their mobility behavior toward effective anomaly detection (e.g. for bad-actor or malicious behavior detection) without any labeled data? Human mobility and trajectory modeling have been studied extensively with varying capacity to handle complex input, and performance-efficiency trade-offs. With the arrival of more expressive models in machine learning, we attempt to model GPS data as a sequence of stay-point events, each with a set of characterizing spatiotemporal features, and leverage modern sequence models such as Transformers for un/self-supervised training and inference. Notably, driven by the inherent stochasticity of certain individuals' behavior, we equip our model with aleatoric/data uncertainty estimation. In addition, to handle data sparsity of a large variety of behaviors, we incorporate epistemic/model uncertainty into our model. Together, aleatoric and epistemic uncertainty enable a robust loss and training dynamics, as well as uncertainty-aware decision making in anomaly scoring. Experiments on large expert-simulated datasets with tens of thousands of agents demonstrate the effectiveness of our model against both forecasting and anomaly detection baselines.
Abstract（参考訳）: 時間とともに大量の人間のエージェントのGPS座標を考えると、ラベル付きデータを使わずに、効果的な異常検出(悪者や悪意のある行動検出など)に向けて、その移動行動をどのようにモデル化できるか? 人間のモビリティと軌道モデリングは、複雑な入力を扱うための様々な能力と、性能と効率のトレードオフで広く研究されている。機械学習において、より表現力のあるモデルが登場し、GPSデータを、時空間の特徴を特徴付ける一連のイベントとしてモデル化し、トランスフォーマーのような近代的なシーケンスモデルを、教師なしトレーニングや推論に活用しようと試みる。特に、特定の個人の行動に固有の確率性によって駆動されるので、アレータリック/データ不確実性推定をモデルに当てはめます。さらに,多種多様な行動のデータの分散性を扱うために,疫学・モデルの不確かさをモデルに組み込む。ともに、失語症とてんかんの不確実性は、異常スコアにおける不確実性を考慮した決定と同様に、堅牢な損失とトレーニングのダイナミクスを可能にする。数万のエージェントによる大規模専門家シミュレーションデータセットの実験は、予測ベースラインと異常検出ベースラインの両方に対して、我々のモデルの有効性を実証している。

関連論文リスト

Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文参考訳（メタデータ） (2024-08-24T18:28:19Z)
Complementary Learning for Real-World Model Failure Detection [15.779651238128562]
そこでは、異なる訓練パラダイムから学習特性を用いてモデルエラーを検出する。我々は,制御的かつ自己管理的な方法で,点群における意味的および予測的動作ラベルを学習することにより,我々のアプローチを実証する。大規模定性解析を行い、ライダー点雲にラベル付き異常を持つ最初のデータセットであるLidarCODAを提示する。
論文参考訳（メタデータ） (2024-07-19T13:36:35Z)
A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
論文参考訳（メタデータ） (2024-05-06T07:44:07Z)
Orthogonal Uncertainty Representation of Data Manifold for Robust Long-Tailed Learning [52.021899899683675]
長い尾の分布を持つシナリオでは、尾のサンプルが不足しているため、モデルが尾のクラスを識別する能力は制限される。モデルロバストネスの長期的現象を改善するために,特徴埋め込みの直交不確実性表現(OUR)とエンドツーエンドのトレーニング戦略を提案する。
論文参考訳（メタデータ） (2023-10-16T05:50:34Z)
Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
論文参考訳（メタデータ） (2023-08-04T07:55:32Z)
A prediction and behavioural analysis of machine learning methods for modelling travel mode choice [0.26249027950824505]
我々は、モデル選択に影響を及ぼす可能性のある重要な要因の観点から、複数のモデリング問題に対して異なるモデリングアプローチを体系的に比較する。その結果,非凝集性予測性能が最も高いモデルでは,行動指標やアグリゲーションモードのシェアが低下することが示唆された。 MNLモデルは様々な状況において堅牢に機能するが、ML手法はWillingness to Payのような行動指標の推定を改善することができる。
論文参考訳（メタデータ） (2023-01-11T11:10:32Z)
An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文参考訳（メタデータ） (2022-09-20T15:18:13Z)
CausalAgents: A Robustness Benchmark for Motion Forecasting using Causal Relationships [8.679073301435265]
既存のデータに摂動を適用することにより、モデルロバスト性の評価と改善のための新しいベンチマークを構築する。我々はこれらのラベルを使用して、現場から非因果的エージェントを削除することでデータを摂動する。非因果摂動下では, minADE の相対的な変化は, 原型と比較して25$-$38%である。
論文参考訳（メタデータ） (2022-07-07T21:28:23Z)
On the Efficacy of Adversarial Data Collection for Question Answering: Results from a Large-Scale Randomized Study [65.17429512679695]
逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。 ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
論文参考訳（メタデータ） (2021-06-02T00:48:33Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)
Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。