論文の概要: Towards Physics-informed Diffusion for Anomaly Detection in Trajectories

• arxiv url: http://arxiv.org/abs/2506.06999v2
• Date: Sat, 14 Jun 2025 21:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 13:01:17.411638
• Title: Towards Physics-informed Diffusion for Anomaly Detection in Trajectories
• Title（参考訳）: 軌道における異常検出のための物理インフォームド拡散に向けて
• Authors: Arun Sharma, Mingzhou Yang, Majid Farhadloo, Subhankar Ghosh, Bharat Jayaprakash, Shashi Shekhar,
• Abstract要約: 我々は,GPSスプーフィングの可能性を示す異常な軌跡(偽の軌跡など)を見つけることを目指している。 この問題は、違法な漁業や違法な石油輸送などの国際水域での違法な活動を抑制するために社会的に重要である。 近年,データ間隔に拘わらず生成モデルを用いた異常軌道検出の有望な結果が示されている。 物理法則に従わない軌道を同定するために運動論的制約を統合する物理インフォームド拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 4.414885369283509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given trajectory data, a domain-specific study area, and a user-defined threshold, we aim to find anomalous trajectories indicative of possible GPS spoofing (e.g., fake trajectory). The problem is societally important to curb illegal activities in international waters, such as unauthorized fishing and illicit oil transfers. The problem is challenging due to advances in AI generated in deep fakes generation (e.g., additive noise, fake trajectories) and lack of adequate amount of labeled samples for ground-truth verification. Recent literature shows promising results for anomalous trajectory detection using generative models despite data sparsity. However, they do not consider fine-scale spatiotemporal dependencies and prior physical knowledge, resulting in higher false-positive rates. To address these limitations, we propose a physics-informed diffusion model that integrates kinematic constraints to identify trajectories that do not adhere to physical laws. Experimental results on real-world datasets in the maritime and urban domains show that the proposed framework results in higher prediction accuracy and lower estimation error rate for anomaly detection and trajectory generation methods, respectively. Our implementation is available at https://github.com/arunshar/Physics-Informed-Diffusion-Probabilistic-Model.
• Abstract（参考訳）: トラジェクトリデータ,ドメイン固有の研究領域,およびユーザ定義しきい値から,GPSスプーリングの可能性を示す異常なトラジェクトリ(偽のトラジェクトリ)を見つけることを目的としている。 この問題は、違法な漁業や違法な石油輸送などの国際水域での違法な活動を抑制するために社会的に重要である。 この問題は、ディープフェイク生成(例えば、付加的なノイズ、偽の軌跡)で発生するAIの進歩と、グラウンドトゥルース検証に十分なラベル付きサンプルが不足しているため、難しい。 近年の文献では、データ間隔に拘わらず、生成モデルを用いた異常軌道検出の有望な結果が示されている。 しかし、彼らは微細な時空間依存や事前の物理的知識を考慮せず、結果として偽陽性率が高くなる。 これらの制約に対処するために,物理法則に従わない軌道を特定するために,運動論的制約を統合する物理インフォームド拡散モデルを提案する。 海上域と都市域における実世界のデータセットによる実験結果から,提案手法は, 異常検出法と軌道生成法において, 予測精度が高く, 推定誤差も低いことがわかった。 実装はhttps://github.com/arunshar/Physics-Informed-Diffusion-Probabilistic-Modelで公開しています。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
  特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。 これにより、ランドマークの種類は両方のソースから観測できなければならない。 車両軌道推定のための動的重み付き因子グラフモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-13T12:44:14Z)
• Investigation of the Robustness of Neural Density Fields [7.67602635520562]
  本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。 両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
  論文  参考訳（メタデータ） (2023-05-31T09:43:49Z)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)

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。