論文の概要: Adaptive Out-of-Control Point Pattern Detection in Sequential Random Finite Set Observations

• arxiv url: http://arxiv.org/abs/2506.23802v1
• Date: Mon, 30 Jun 2025 12:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.058552
• Title: Adaptive Out-of-Control Point Pattern Detection in Sequential Random Finite Set Observations
• Title（参考訳）: 逐次ランダム有限セット観測における適応的外乱点パターン検出
• Authors: Konstantinos Bourazas, Savvas Papaioannou, Panayiotis Kolios,
• Abstract要約: 本稿では,逐次的ランダム有限集合(RFS)観測に特化して設計された適応型異常検出フレームワークを提案する。 提案手法は,プロセスの期待される統計的挙動から逸脱を検出することにより,異常データ(正規データ)と異常データ(異常データ)を効果的に区別する。
• 参考スコア（独自算出の注目度）: 4.022717732460524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we introduce a novel adaptive anomaly detection framework specifically designed for monitoring sequential random finite set (RFS) observations. Our approach effectively distinguishes between In-Control data (normal) and Out-Of-Control data (anomalies) by detecting deviations from the expected statistical behavior of the process. The primary contributions of this study include the development of an innovative RFS-based framework that not only learns the normal behavior of the data-generating process online but also dynamically adapts to behavioral shifts to accurately identify abnormal point patterns. To achieve this, we introduce a new class of RFS-based posterior distributions, named Power Discounting Posteriors (PD), which facilitate adaptation to systematic changes in data while enabling anomaly detection of point pattern data through a novel predictive posterior density function. The effectiveness of the proposed approach is demonstrated by extensive qualitative and quantitative simulation experiments.
• Abstract（参考訳）: 本研究では, 逐次ランダム有限集合(RFS)観測に特化して設計された適応型異常検出フレームワークを提案する。 提案手法は,プロセスの期待される統計的挙動から逸脱を検出することにより,異常データ(正規データ)と異常データ(異常データ)を効果的に区別する。 本研究の主な貢献は、データ生成プロセスの正常な振る舞いをオンラインで学習するだけでなく、行動シフトに適応して異常点パターンを正確に識別する革新的なRDSベースのフレームワークの開発である。 そこで本研究では,新たな予測後次密度関数を用いて,点パターンデータの異常検出を可能にしつつ,データの体系的変化への適応を容易にする,RDSベースの後方分布のクラスであるPower Discounting Posteriors(PD)を導入する。 提案手法の有効性は,広範囲な定性的,定量的なシミュレーション実験によって実証された。

関連論文リスト

• 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)
• Beyond Individual Input for Deep Anomaly Detection on Tabular Data [0.0]
  異常検出は、金融、医療、サイバーセキュリティなど、多くの領域において不可欠である。 私たちの知る限りでは、この機能機能とサンプルサンプル依存関係をうまく組み合わせる最初の作業です。 提案手法は,F1スコアとAUROCをそれぞれ2.4%,AUROCを1.2%上回り,最先端性能を実現している。
  論文  参考訳（メタデータ） (2023-05-24T13:13:26Z)
• Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
  有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。 複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。 これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
  論文  参考訳（メタデータ） (2022-08-13T17:14:55Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• Deep Random Projection Outlyingness for Unsupervised Anomaly Detection [1.2249546377051437]
  元のランダムプロジェクションアウトライジングネス尺度をニューラルネットワークに修正して関連付け、教師なし異常検出方法を得る。 提案したニューラルネットワークアプローチの性能は、最先端の異常検出手法に匹敵する。
  論文  参考訳（メタデータ） (2021-06-08T14:13:43Z)
• Dynamic Bayesian Approach for decision-making in Ego-Things [8.577234269009042]
  本稿では,マルチセンサデータと特徴選択に基づく動的システムの異常検出手法を提案する。 成長型ニューラルガス(GNG)は、マルチセンサーデータを一連のノードにクラスタリングするために使用される。 本手法は状態推定と異常検出にマルコフジャンプ粒子フィルタ(MJPF)を用いる。
  論文  参考訳（メタデータ） (2020-10-28T11:38:51Z)

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。