論文の概要: Detection of anomalies in cow activity using wavelet transform based features

• arxiv url: http://arxiv.org/abs/2502.21051v1
• Date: Fri, 28 Feb 2025 13:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:40:27.561813
• Title: Detection of anomalies in cow activity using wavelet transform based features
• Title（参考訳）: ウェーブレット変換を用いた牛の行動異常の検出
• Authors: Valentin Guien, Violaine Antoine, Romain Lardy, Isabelle Veissier, Luis E C Rocha,
• Abstract要約: 本研究の目的は, 牛の24時間連続活動における異常の検出であり, 疾患や肥満の症例を検出することである。 時系列の平均のウェーブレット変換と個々の時系列インスタンスのウェーブレット変換の比較に基づいて特徴を発達させる。 その結果,ウェーブレットに基づく特徴は異常検出に最も寄与する特徴の一つであることがわかった。
• 参考スコア（独自算出の注目度）: 0.9961452710097684
• License:
• Abstract: In Precision Livestock Farming, detecting deviations from optimal or baseline values - i.e. anomalies in time series - is essential to allow undertaking corrective actions rapidly. Here we aim at detecting anomalies in 24h time series of cow activity, with a view to detect cases of disease or oestrus. Deviations must be distinguished from noise which can be very high in case of biological data. It is also important to detect the anomaly early, e.g. before a farmer would notice it visually. Here, we investigate the benefit of using wavelet transforms to denoise data and we assess the performance of an anomaly detection algorithm considering the timing of the detection. We developed features based on the comparisons between the wavelet transforms of the mean of the time series and the wavelet transforms of individual time series instances. We hypothesized that these features contribute to the detection of anomalies in periodic time series using a feature-based algorithm. We tested this hypothesis with two datasets representing cow activity, which typically follows a daily pattern but can deviate due to specific physiological or pathological conditions. We applied features derived from wavelet transform as well as statistical features in an Isolation Forest algorithm. We measured the distance of detection between the days annotated abnormal by animal caretakers days and the days predicted abnormal by the algorithm. The results show that wavelet-based features are among the features most contributing to anomaly detection. They also show that detections are close to the annotated days, and often precede it. In conclusion, using wavelet transforms on time series of cow activity data helps to detect anomalies related to specific cow states. The detection is often obtained on days that precede the day annotated by caretakers, which offer possibility to take corrective actions at an early stage.
• Abstract（参考訳）: 精密畜産では、最適な値や基準値、すなわち時系列の異常から逸脱を検出することが、迅速な修正行動を可能にするために不可欠である。 本研究の目的は,24時間連続の牛活動における異常の検出であり,疾患や肥満の症例を検出することである。 生物学的データの場合、非常に高いノイズから逸脱を区別しなければならない。 また、農家が視覚的に気づく前に、例えば、異常を早期に検出することが重要である。 そこで本研究では,ウェーブレット変換を用いてデータを復調し,検出タイミングを考慮した異常検出アルゴリズムの性能評価を行う。 時系列の平均のウェーブレット変換と個々の時系列インスタンスのウェーブレット変換の比較に基づいて特徴量を開発した。 我々は,これらの特徴が周期的時系列における異常の検出に,特徴に基づくアルゴリズムを用いて寄与すると仮定した。 この仮説を牛の行動を表す2つのデータセットを用いて検証した。 本研究では,ウェーブレット変換から得られた特徴と統計的特徴を分離フォレストアルゴリズムに応用した。 動物介護者による異常診断日と,アルゴリズムによる異常診断日との距離を測定した。 その結果,ウェーブレットに基づく特徴は異常検出に最も寄与する特徴の一つであることがわかった。 彼らはまた、検出が注釈付き日に近いことを示し、しばしばそれより先行している。 結果として、牛の活動データにウェーブレット変換を用いることで、特定の牛の状態に関連する異常を検出することができる。 この検出は、介護者によって注釈付けされる日の前に行われることが多く、早期に修正措置をとる可能性がある。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling [1.3927943269211591]
  本稿では,新しい時系列異常検出法であるTimeVQVAE-ADを提案する。 TimeVQVAE-ADは、優れた説明性を提供しながら、優れた検出精度を実現する。 私たちはGitHubに実装を提供しています。
  論文  参考訳（メタデータ） (2023-11-21T11:59:16Z)
• Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data [8.84352369893021]
  本稿では,効率的な表現学習と異常行動検出のための残差に基づく異常検出手法Rs-ADを提案する。 本手法を実世界の歩行データセット上で評価し,実験結果からF1スコアが0.839であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T22:08:09Z)
• MadSGM: Multivariate Anomaly Detection with Score-based Generative Models [22.296610226476542]
  スコアベース生成モデルに基づく時系列異常検出器MadSGMを提案する。 5つの実世界のベンチマークデータセットの実験は、MadSGMが最も堅牢で正確な予測を達成していることを示している。
  論文  参考訳（メタデータ） (2023-08-29T07:04:50Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• 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)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• 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)
• 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)

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。