論文の概要: Unsupervised anomaly detection in large-scale estuarine acoustic telemetry data

• arxiv url: http://arxiv.org/abs/2502.01543v1
• Date: Mon, 03 Feb 2025 17:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:57:51.393201
• Title: Unsupervised anomaly detection in large-scale estuarine acoustic telemetry data
• Title（参考訳）: 大規模音響テレメトリデータにおける教師なし異常検出
• Authors: Siphendulwe Zaza, Marcellin Atemkeng, Taryn S. Murray, John David Filmalter, Paul D. Cowley,
• Abstract要約: 本稿では,データ前処理,再サンプリング戦略,ラベル付けプロセス,特徴工学,データ分割手法,および異常検出のための機械学習モデルの選択と解釈に関するガイドラインを提案する。 評価モデルでは,ニューラルネットワークオートエンコーダ(NN-AE)の性能が向上し,しきい値決定アルゴリズムが有効であった。
• 参考スコア（独自算出の注目度）: 0.3495246564946556
• License:
• Abstract: Acoustic telemetry data plays a vital role in understanding the behaviour and movement of aquatic animals. However, these datasets, which often consist of millions of individual data points, frequently contain anomalous movements that pose significant challenges. Traditionally, anomalous movements are identified either manually or through basic statistical methods, approaches that are time-consuming and prone to high rates of unidentified anomalies in large datasets. This study focuses on the development of automated classifiers for a large telemetry dataset comprising detections from fifty acoustically tagged dusky kob monitored in the Breede Estuary, South Africa. Using an array of 16 acoustic receivers deployed throughout the estuary between 2016 and 2021, we collected over three million individual data points. We present detailed guidelines for data pre-processing, resampling strategies, labelling process, feature engineering, data splitting methodologies, and the selection and interpretation of machine learning and deep learning models for anomaly detection. Among the evaluated models, neural networks autoencoder (NN-AE) demonstrated superior performance, aided by our proposed threshold-finding algorithm. NN-AE achieved a high recall with no false normal (i.e., no misclassifications of anomalous movements as normal patterns), a critical factor in ensuring that no true anomalies are overlooked. In contrast, other models exhibited false normal fractions exceeding 0.9, indicating they failed to detect the majority of true anomalies; a significant limitation for telemetry studies where undetected anomalies can distort interpretations of movement patterns. While the NN-AE's performance highlights its reliability and robustness in detecting anomalies, it faced challenges in accurately learning normal movement patterns when these patterns gradually deviated from anomalous ones.
• Abstract（参考訳）: 音響テレメトリデータは、水生動物の行動や動きを理解する上で重要な役割を果たす。 しかし、これらのデータセットは、しばしば数百万の個々のデータポイントで構成され、しばしば重要な課題を引き起こす異常な動きを含む。 伝統的に、異常な動きは手動または基本的な統計手法によって識別される。 本研究は,南アフリカのブリードエスチュアリーで観測された50個のダスキーコブから検出した大規模なテレメトリデータセットの自動分類器の開発に焦点をあてる。 2016年から2021年の間に16基の音響受信機を用いて,300万以上の個人データ点を収集した。 本稿では,データ前処理,再サンプリング戦略,ラベル付けプロセス,特徴工学,データ分割手法,および異常検出のための機械学習モデルの選択と解釈について詳述する。 評価モデルでは,ニューラルネットワークオートエンコーダ(NN-AE)の性能が向上し,しきい値決定アルゴリズムが有効であった。 NN-AEは、偽の正常(つまり、異常な動きを正常なパターンとして誤分類しない)のない高いリコールを達成し、真の異常を見逃さないために重要な要因となった。 対照的に、他のモデルでは0.9を超える偽の正規分数を示し、真の異常の大多数を検出できなかったことを示しており、未検出の異常が運動パターンの解釈を歪めるというテレメトリー研究の重大な限界である。 NN-AEの性能は異常検出における信頼性と堅牢性を強調しているが、これらのパターンが異常検出から徐々に逸脱していくと、正常な動きパターンを正確に学習する上で困難に直面した。

関連論文リスト

• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
  異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。 グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。 動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T01:05:34Z)
• AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
  異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。 本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。 本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
  論文  参考訳（メタデータ） (2023-04-09T10:40:02Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• 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)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。