論文の概要: CausalTAD: Causal Implicit Generative Model for Debiased Online Trajectory Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.18820v1
• Date: Wed, 25 Dec 2024 08:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:25:37.315297
• Title: CausalTAD: Causal Implicit Generative Model for Debiased Online Trajectory Anomaly Detection
• Title（参考訳）: CausalTAD:Debiased Online Trajectory Anomaly Detectionのための因果帰属生成モデル
• Authors: Wenbin Li, Di Yao, Chang Gong, Xiaokai Chu, Quanliang Jing, Xiaolei Zhou, Yuxuan Zhang, Yunxia Fan, Jingping Bi,
• Abstract要約: 軌道異常検出は多くの実世界のアプリケーションにとって重要な問題となっている。 既存の解は観測軌道の生成モデルを直接訓練し、条件付き生成確率$P(T|C)$を異常リスクとして計算する。 観測された軌跡は、SD分布と軌跡の両方の共通原因である道路網の嗜好によって構築されていると論じる。
• 参考スコア（独自算出の注目度）: 16.390830290599876
• License:
• Abstract: Trajectory anomaly detection, aiming to estimate the anomaly risk of trajectories given the Source-Destination (SD) pairs, has become a critical problem for many real-world applications. Existing solutions directly train a generative model for observed trajectories and calculate the conditional generative probability $P({T}|{C})$ as the anomaly risk, where ${T}$ and ${C}$ represent the trajectory and SD pair respectively. However, we argue that the observed trajectories are confounded by road network preference which is a common cause of both SD distribution and trajectories. Existing methods ignore this issue limiting their generalization ability on out-of-distribution trajectories. In this paper, we define the debiased trajectory anomaly detection problem and propose a causal implicit generative model, namely CausalTAD, to solve it. CausalTAD adopts do-calculus to eliminate the confounding bias of road network preference and estimates $P({T}|do({C}))$ as the anomaly criterion. Extensive experiments show that CausalTAD can not only achieve superior performance on trained trajectories but also generally improve the performance of out-of-distribution data, with improvements of $2.1\% \sim 5.7\%$ and $10.6\% \sim 32.7\%$ respectively.
• Abstract（参考訳）: Source-Destination (SD) ペアが与えられた軌道の異常リスクを推定することを目的とした軌道異常検出は、多くの実世界のアプリケーションにとって重要な問題となっている。 既存の解は、観測軌跡の生成モデルを直接訓練し、条件付き生成確率$P({T}|{C})$を異常リスクとして計算し、${T}$と${C}$はそれぞれ軌跡とSDペアを表す。 しかし、観測された軌道は、SD分布と軌跡の両方の共通原因である道路網の選好によって構築されていると論じる。 既存の手法はこの問題を無視し、分布外軌道の一般化能力を制限する。 本稿では,不偏形軌道異常検出問題を定義し,因果的暗黙的生成モデルCausalTADを提案する。 CausalTADはdo-calculusを採用して、道路ネットワークの選好の矛盾するバイアスを排除し、異常基準として$P({T}|do({C}))$を推定する。 大規模な実験により、CausalTADは訓練された軌道上での優れた性能を達成できるだけでなく、分布外データの性能も向上し、それぞれ2.1\% \sim 5.7\%$と10.6\% \sim 32.7\%$が改善された。

関連論文リスト

• Cross-validating causal discovery via Leave-One-Variable-Out [11.891940572224783]
  私たちは"Leave-One-Variable-Out (LOVO)"予測を使い、$Y$は$X$から推論されるが、$X$と$Y$は共同で観測されることはない。 Acyclic Directed Mixed Graphs (ADMGs) という形で、2つの部分集合上の因果モデルが、しばしば$X$ と $Y$ の依存関係に関する結論を導くことを示した。 この予測誤差は、$P(X, Y)$が利用可能であると仮定され、$X$と$Y$がfalの目的のために省略されているため推定できる。
  論文  参考訳（メタデータ） (2024-11-08T15:15:34Z)
• 2-Rectifications are Enough for Straight Flows: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
  本稿では, 凝固流のサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する最初の理論的解析を行った。 ガウス流から有限の第一モーメントを持つ任意の一般目標分布への整流の場合、直流を達成するのに2つの整流が十分であることを示す。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
  特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。 これにより、ランドマークの種類は両方のソースから観測できなければならない。 車両軌道推定のための動的重み付き因子グラフモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-13T12:44:14Z)
• Learning Against Distributional Uncertainty: On the Trade-off Between Robustness and Specificity [24.874664446700272]
  本稿では,3つのアプローチを統一し,上記の2つの課題に対処する新たな枠組みについて検討する。 提案したモデルのモンテカルロ法に基づく解法(例えば、一貫性と正規性)、非漸近性(例えば、非バイアス性や誤差境界)について検討した。
  論文  参考訳（メタデータ） (2023-01-31T11:33:18Z)
• A Two-Block RNN-based Trajectory Prediction from Incomplete Trajectory [14.725386295605666]
  本稿では,ベイズフィルタフレームワークの推論ステップを近似した2ブロックRNNモデルを提案する。 提案手法は,3つのベースライン計算法と比較して予測精度を向上することを示す。 また,提案手法は誤り検出がない場合の基準値よりも予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2022-03-14T13:39:44Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Towards Out-of-Distribution Detection with Divergence Guarantee in Deep Generative Models [22.697643259435115]
  深層生成モデルは、分布外データ(OOD)に対して、分布内データ(ID)よりも高い確率を割り当てることができる。 フローベースモデルにおける散逸を解析するための定理を証明している。 本稿では,2つのグループ異常検出手法を提案する。
  論文  参考訳（メタデータ） (2020-02-09T09:54:12Z)

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。