論文の概要: HLSAD: Hodge Laplacian-based Simplicial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.24534v1
• Date: Fri, 30 May 2025 12:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.950045
• Title: HLSAD: Hodge Laplacian-based Simplicial Anomaly Detection
• Title（参考訳）: HLSAD:Hodge Laplacian-based Simplicial Anomaly Detection
• Authors: Florian Frantzen, Michael T. Schaub,
• Abstract要約: 本研究では, 時間発展型単純錯体における異常検出手法であるHLSADを提案する。 本手法は, 単純錯体のホッジラプラシアンのスペクトル特性を利用して, データポイント間の多方向相互作用を効果的にモデル化する。
• 参考スコア（独自算出の注目度）: 6.629765271909503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose HLSAD, a novel method for detecting anomalies in time-evolving simplicial complexes. While traditional graph anomaly detection techniques have been extensively studied, they often fail to capture changes in higher-order interactions that are crucial for identifying complex structural anomalies. These higher-order interactions can arise either directly from the underlying data itself or through graph lifting techniques. Our approach leverages the spectral properties of Hodge Laplacians of simplicial complexes to effectively model multi-way interactions among data points. By incorporating higher-dimensional simplicial structures into our method, our method enhances both detection accuracy and computational efficiency. Through comprehensive experiments on both synthetic and real-world datasets, we demonstrate that our approach outperforms existing graph methods in detecting both events and change points.
• Abstract（参考訳）: 本稿では, 時間発展型単純錯体における異常検出手法であるHLSADを提案する。 従来のグラフ異常検出技術は広く研究されているが、複雑な構造異常を特定するのに不可欠な高次相互作用の変化を捉えるのに失敗することが多い。 これらの高次の相互作用は、基礎となるデータ自身から直接発生するか、グラフリフト技術を通して生じる。 本手法は, 単純錯体のホッジラプラシアンのスペクトル特性を利用して, データポイント間の多方向相互作用を効果的にモデル化する。 本手法では,高次元の簡易構造を組み込むことで,検出精度と計算効率を両立させる。 合成と実世界の両方のデータセットに関する包括的な実験を通して、我々のアプローチは、イベントと変化点の両方を検出するために既存のグラフ手法よりも優れていることを実証する。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Mapping correlations and coherence: adjacency-based approach to data visualization and regularity discovery [0.0]
  相関は、データの規則性を記述するための最も一般的に使われ、効果的なアプローチである。 相関のタイプと度合いを表す地図を導出するアルゴリズムを提案する。 本手法は, 正規性発見のための新しい計算手法の開発を容易にする。
  論文  参考訳（メタデータ） (2025-06-06T05:31:16Z)
• ComplexVAD: Detecting Interaction Anomalies in Video [45.08126325125808]
  本稿では,新しい大規模異常検出データセットである ComplexVAD を紹介する。 さらに,映像属性付きシーングラフを用いてオブジェクト間の相互作用をモデル化することにより,複雑な異常を検出する手法を提案する。 提案手法と他の2つの最先端ビデオ異常検出手法を用いて,コンプレックスVADのベースラインスコアを取得し,本手法が既存手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-16T18:35:45Z)
• A Generalizable Anomaly Detection Method in Dynamic Graphs [7.48376611870513]
  GeneralDyGは、時間的エゴグラフをサンプリングし、構造的特徴と時間的特徴を逐次抽出する手法である。 提案したGeneralDyGは,4つの実世界のデータセット上で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-21T02:38:48Z)
• Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
  我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。 我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T21:27:40Z)
• Discovering physical laws with parallel combinatorial tree search [57.05912962368898]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは10年以上にわたって精度と効率の重大なボトルネックに直面してきた。 制約データから汎用数学的表現を効率的に抽出する並列木探索(PCTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Nonparametric Embeddings of Sparse High-Order Interaction Events [21.758306786651772]
  高次相互作用イベントは現実世界のアプリケーションでは一般的である。 スパース高次相互作用イベントの非埋め込みを提案する。 我々は効率的でスケーラブルなモデル推論アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-08T01:25:34Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)

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。