論文の概要: Adaptive PCA-Based Outlier Detection for Multi-Feature Time Series in Space Missions

• arxiv url: http://arxiv.org/abs/2504.15846v1
• Date: Tue, 22 Apr 2025 12:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 20:27:54.420292
• Title: Adaptive PCA-Based Outlier Detection for Multi-Feature Time Series in Space Missions
• Title（参考訳）: 宇宙ミッションにおける多機能時系列に対する適応型PCAを用いた外乱検出
• Authors: Jonah Ekelund, Savvas Raptis, Vicki Toy-Edens, Wenli Mo, Drew L. Turner, Ian J. Cohen, Stefano Markidis,
• Abstract要約: 特徴量削減のための主成分分析(PCA)の再構成誤差に基づく適応型外乱検出アルゴリズムを提案する。 我々は,NASAのMMSミッション観測を通して,宇宙環境,昼と夜の過渡現象,遷移層などの宇宙プラズマ事象を検出するアルゴリズムの有効性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing multi-featured time series data is critical for space missions making efficient event detection, potentially onboard, essential for automatic analysis. However, limited onboard computational resources and data downlink constraints necessitate robust methods for identifying regions of interest in real time. This work presents an adaptive outlier detection algorithm based on the reconstruction error of Principal Component Analysis (PCA) for feature reduction, designed explicitly for space mission applications. The algorithm adapts dynamically to evolving data distributions by using Incremental PCA, enabling deployment without a predefined model for all possible conditions. A pre-scaling process normalizes each feature's magnitude while preserving relative variance within feature types. We demonstrate the algorithm's effectiveness in detecting space plasma events, such as distinct space environments, dayside and nightside transients phenomena, and transition layers through NASA's MMS mission observations. Additionally, we apply the method to NASA's THEMIS data, successfully identifying a dayside transient using onboard-available measurements.
• Abstract（参考訳）: 多機能時系列データを解析することは、効率的なイベント検出を行う宇宙ミッションにとって重要であり、おそらくは搭載され、自動解析に必須である。 しかし、オンボードの計算資源とデータダウンリンクの制約は、リアルタイムに関心のある領域を特定するための堅牢な方法を必要とする。 本研究は,主成分分析(PCA)の再構成誤差に基づく適応型外乱検出アルゴリズムを提案する。 このアルゴリズムはインクリメンタルPCAを用いてデータ分散の進化に動的に適応し、すべての可能な条件に対して事前定義されたモデルなしでデプロイできる。 プリスケーリングプロセスは、特徴タイプ内の相対的な分散を保ちながら、各特徴の大きさを正規化します。 我々は,NASAのMMSミッション観測を通して,宇宙環境,昼と夜の過渡現象,遷移層などの宇宙プラズマ事象を検出するアルゴリズムの有効性を実証した。 さらに、この手法をNASAのTheMISデータに適用し、オンボードで利用可能な測定値を用いて、昼間の過渡性を特定することに成功した。

関連論文リスト

• Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
  本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。 グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
  論文  参考訳（メタデータ） (2024-09-23T11:01:18Z)
• Trajectory Anomaly Detection with Language Models [21.401931052512595]
  本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。 トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。 本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
  論文  参考訳（メタデータ） (2024-09-18T17:33:31Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• The CAST package for training and assessment of spatial prediction models in R [0.0]
  CASTパッケージとその機能について紹介する。 モデリングワークフローのさまざまなステップを調べて、より信頼性の高い空間予測をサポートするためにCASTをどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-04-10T12:48:10Z)
• Physics-Guided Abnormal Trajectory Gap Detection [2.813613899641924]
  本研究では,時空間のインデックス化と軌道ギャップのマージを両立させるための時空間ギャップ検出(STAGD)手法を提案する。 また、ダイナミックリージョンベースのマージ(DRM)アプローチを導入し、ギャップ異常スコアを効率的に計算する。
  論文  参考訳（メタデータ） (2024-03-10T17:07:28Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction [1.321203201549798]
  二重層-時空間特徴抽出・評価モデル(DL-STFEE)を提案する。 3つの実験セットが実際の交通データセット上で実施され、DL-STFEEが空間的特徴を効果的に捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-07-22T12:15:41Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。