論文の概要: Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction

• arxiv url: http://arxiv.org/abs/2411.09844v1
• Date: Thu, 14 Nov 2024 23:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:09.608221
• Title: Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction
• Title（参考訳）: 森林火災予測における教師なし異常検出のためのディープオートエンコーダ
• Authors: İrem Üstek, Miguel Arana-Catania, Alexander Farr, Ivan Petrunin,
• Abstract要約: 森林火災は気候危機により地球生態系に深刻な危険をもたらす。 複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。 この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
• 参考スコア（独自算出の注目度）: 42.447827727628734
• License:
• Abstract: Wildfires pose a significantly increasing hazard to global ecosystems due to the climate crisis. Due to its complex nature, there is an urgent need for innovative approaches to wildfire prediction, such as machine learning. This research took a unique approach, differentiating from classical supervised learning, and addressed the gap in unsupervised wildfire prediction using autoencoders and clustering techniques for anomaly detection. Historical weather and normalised difference vegetation index datasets of Australia for 2005 - 2021 were utilised. Two main unsupervised approaches were analysed. The first used a deep autoencoder to obtain latent features, which were then fed into clustering models, isolation forest, local outlier factor and one-class SVM for anomaly detection. The second approach used a deep autoencoder to reconstruct the input data and use reconstruction errors to identify anomalies. Long Short-Term Memory (LSTM) autoencoders and fully connected (FC) autoencoders were employed in this part, both in an unsupervised way learning only from nominal data. The FC autoencoder outperformed its counterparts, achieving an accuracy of 0.71, an F1-score of 0.74, and an MCC of 0.42. These findings highlight the practicality of this method, as it effectively predicts wildfires in the absence of ground truth, utilising an unsupervised learning technique.
• Abstract（参考訳）: 森林火災は気候危機により地球生態系に深刻な危険をもたらす。 複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。 この研究は、古典的な教師付き学習とは異なるユニークなアプローチを採り、オートエンコーダとクラスタリング技術を用いて、教師なしの山火事予測のギャップに対処した。 2005-2021年のオーストラリアにおける歴史的気象と正規化差植生指数データセットが利用された。 2つの主要な教師なしのアプローチが分析された。 最初はディープオートエンコーダを使用して遅延機能を取得し、その後クラスタリングモデル、アイソレーション・フォレスト、ローカル・オブリア係数、および1クラスのSVMに入力して異常検出を行った。 第2のアプローチでは、ディープオートエンコーダを使用して入力データを再構成し、再構成エラーを使用して異常を識別する。 この部分にはLSTM(Long Short-Term Memory)オートエンコーダと完全接続型オートエンコーダ(FC)オートエンコーダが使用されている。 FCオートエンコーダの精度は0.71、F1スコアは0.74、MCCは0.42である。 これらの知見は,非教師なしの学習手法を用いて,地上の真実の欠如による山火事を効果的に予測し,本手法の実用性を強調した。

関連論文リスト

• VAEMax: Open-Set Intrusion Detection based on OpenMax and Variational Autoencoder [5.733432394442812]
  我々はOpenMaxと変分オートエンコーダを用いて二重検出モデルVAEMaxを提案する。 まず,一次元畳み込みニューラルネットワークに基づくフローペイロードの特徴を抽出する。 その後、OpenMaxはフローの分類に使用され、その間に未知の攻撃が検出され、残りは既知のフローの特定のクラスに誤って分類される。
  論文  参考訳（メタデータ） (2024-03-07T03:48:47Z)
• Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection [3.6049348666007934]
  本稿では,時系列における教師なしオンライン異常検出のためのハイブリッドアテンションとオートエンコーダ(AE)モデルを提案する。 オートエンコーダは局所的な構造パターンを短い埋め込みで捉え、アテンションモデルは長期的特徴を学習し、位置符号化による並列計算を容易にする。 これは、ディープトランスモデルに似た注意に基づくメカニズムを採用しており、オートエンコーダの潜在空間における次のステップウィンドウを予測するための重要なアーキテクチャ上の変更である。
  論文  参考訳（メタデータ） (2024-01-06T22:55:02Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• Radial Autoencoders for Enhanced Anomaly Detection [0.0]
  異常や不正検出のような二段階の分類タスクでは、教師なしの手法はさらに改善される可能性がある。 異常検出の直感的なアプローチは、2つのクラスの質量の中心からの距離に基づいている。
  論文  参考訳（メタデータ） (2022-03-29T20:07:30Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
  本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。 ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
  論文  参考訳（メタデータ） (2021-07-27T09:56:49Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。