論文の概要: Robust Anomaly Detection via Tensor Chidori Pseudoskeleton Decomposition

• arxiv url: http://arxiv.org/abs/2502.09926v2
• Date: Tue, 25 Feb 2025 02:07:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:18:05.016698
• Title: Robust Anomaly Detection via Tensor Chidori Pseudoskeleton Decomposition
• Title（参考訳）: Tensor Chidori Pseudoskeleton 分解によるロバスト異常検出
• Authors: Bowen Su,
• Abstract要約: 現代のデータ駆動アプリケーションでは、異常検出が重要な役割を果たす。 距離、密度、クラスタベースの手法といった従来のアプローチは、高次元テンソルデータに適用する際の課題に直面している。 本稿では, 千鳥擬似骨格分解を利用して, スパース異常を分離しながら低いタッカーランク構造を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Anomaly detection plays a critical role in modern data-driven applications, from identifying fraudulent transactions and safeguarding network infrastructure to monitoring sensor systems for irregular patterns. Traditional approaches, such as distance, density, or cluster-based methods, face significant challenges when applied to high dimensional tensor data, where complex interdependencies across dimensions amplify noise and computational complexity. To address these limitations, this paper leverages Tensor Chidori pseudoskeleton decomposition within a tensor-robust principal component analysis framework to extract low Tucker rank structure while isolating sparse anomalies, ensuring robustness to anomaly detection. We establish theoretical results regarding convergence, and estimation error, demonstrating the stability and accuracy of the proposed approach. Numerical experiments on real-world spatiotemporal data from New York City taxi trip records validate the superiority of the proposed method in detecting anomalous urban events compared to existing benchmark methods. The results underscore the potential of Tensor Chidori pseudoskeleton decomposition to enhance anomaly detection for large-scale, high-dimensional data.
• Abstract（参考訳）: 不正取引の特定やネットワークインフラストラクチャの保護、不規則なパターンに対するセンサシステムの監視など、現代のデータ駆動アプリケーションにおいて、異常検出は重要な役割を担っている。 距離、密度、クラスタベースの手法といった従来のアプローチは、高次元テンソルデータに適用した場合、ノイズや計算複雑性を増幅する複雑な相互依存性に直面する。 これらの制約に対処するために,テンソル・ロバストな主成分分析フレームワーク内でのテンソル・千鳥擬似骨格分解を利用して,スパース異常を分離しながら低いタッカーランク構造を抽出し,異常検出に対する堅牢性を確保する。 提案手法の安定性と精度を実証し,収束と推定誤差に関する理論的結果を確立する。 ニューヨーク市のタクシー旅行記録から得られた実世界の時空間データに関する数値実験により,既存ベンチマーク法と比較して異常な都市イベントの検出において,提案手法の優位性を検証した。 その結果, 大規模・高次元データの異常検出を促進するために, テンソル千鳥擬似骨格分解の可能性を明らかにした。

関連論文リスト

• Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
  外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。 ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。 ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
  論文  参考訳（メタデータ） (2025-01-06T12:35:51Z)
• Anomaly detection using Diffusion-based methods [15.049468347670421]
  本稿では,拡散モデルによる異常検出の有用性について検討する。 コンパクトデータセットと高解像度データセットの両方における偏差を識別する効果に重点を置いている。
  論文  参考訳（メタデータ） (2024-12-10T14:17:23Z)
• Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization [0.0]
  本稿では,(a)離散ハイパーグラフ構造の連成学習のための自己適応型異常検出フレームワークと,(b)相互依存型センサ間の時間的傾向と空間的関係をモデル化する。 このフレームワークは、ハイパーグラフ構造データのリレーショナル帰納バイアスを利用して、ポイントワイズ・シングルステップ・アヘッド予測を学習する。 ルート原因分析のための異常情報伝搬に基づく計算ハイパーグラフを導出し、オフラインで最適な予測制御ポリシを通じて推奨する。
  論文  参考訳（メタデータ） (2024-08-21T06:04:02Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
  我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。 我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。 本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
  論文  参考訳（メタデータ） (2021-06-13T09:07:30Z)
• Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data [37.65687661747699]
  本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
  論文  参考訳（メタデータ） (2020-10-23T19:34:40Z)
• 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)
• Incremental Bayesian tensor learning for structural monitoring data imputation and response forecasting [18.919194955756396]
  本稿では,欠損センサデータの時間的・構造的応答を再現するためのベイズテンソル学習法を提案する。 コンクリート橋の連続フィールドセンシングデータに提案手法の有効性を検証した。 提案手法は, ランダム欠落, 構造化欠落, 組み合わせが多数存在する場合でも, 正確かつ堅牢であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-01T22:16:56Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。