論文の概要: Outlier Detection of Poisson-Distributed Targets Using a Seabed Sensor Network

• arxiv url: http://arxiv.org/abs/2508.13099v1
• Date: Mon, 18 Aug 2025 17:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.501173
• Title: Outlier Detection of Poisson-Distributed Targets Using a Seabed Sensor Network
• Title（参考訳）: シーベッド型センサネットワークを用いたポアソン分散ターゲットの異常検出
• Authors: Mingyu Kim, Daniel Stilwell, Jorge Jimenez,
• Abstract要約: 本稿では,海洋環境における空間的コミッショナーアウトリーの分類と検出のための枠組みを提案する。 目標到達を通常のプロセスと外れ値の混合としてモデル化することにより、新たに観測された事象が外れ値である確率を推定する。 正規強度関数の平均と分散の両方を組み込んだこの確率の2次近似を提案する。
• 参考スコア（独自算出の注目度）: 1.77513002450736
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a framework for classifying and detecting spatial commission outliers in maritime environments using seabed acoustic sensor networks and log Gaussian Cox processes (LGCPs). By modeling target arrivals as a mixture of normal and outlier processes, we estimate the probability that a newly observed event is an outlier. We propose a second-order approximation of this probability that incorporates both the mean and variance of the normal intensity function, providing improved classification accuracy compared to mean-only approaches. We analytically show that our method yields a tighter bound to the true probability using Jensen's inequality. To enhance detection, we integrate a real-time, near-optimal sensor placement strategy that dynamically adjusts sensor locations based on the evolving outlier intensity. The proposed framework is validated using real ship traffic data near Norfolk, Virginia, where numerical results demonstrate the effectiveness of our approach in improving both classification performance and outlier detection through sensor deployment.
• Abstract（参考訳）: 本稿では,海底音響センサネットワークと対数ガウスコックスプロセス(LGCP)を用いて,海洋環境における空間コミッショナリの分類と検出を行う枠組みを提案する。 目標到達を通常のプロセスと外れ値の混合としてモデル化することにより、新たに観測された事象が外れ値である確率を推定する。 本稿では, 正規強度関数の平均値と分散値の両方を組み込んだ2次近似法を提案し, 平均値のみのアプローチと比較して, 分類精度が向上した。 解析的に、我々の手法は、ジェンセンの不等式を用いて真の確率に束縛されたより厳密な値が得られることを示す。 検出を強化するために、進化するアウトリーチ強度に基づいて、センサ位置を動的に調整するリアルタイム、準最適センサー配置戦略を統合する。 提案手法は,バージニア州ノーフォーク近郊の実際の船舶交通データを用いて検証され,センサ展開による分類性能と異常検知の両面において,本手法の有効性が実証された。

関連論文リスト

• Confidence Optimization for Probabilistic Encoding [0.9999629695552196]
  距離計算を調整するための信頼度対応機構を導入する。 我々は、従来のKL分散に基づく分散正規化を、分散を直接制約するより単純なL2正規化項に置き換える。 本手法はBERTモデルとRoBERTaモデルの両方の性能と一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2025-07-22T15:32:27Z)
• Gaussian Process Upper Confidence Bounds in Distributed Point Target Tracking over Wireless Sensor Networks [8.837529873076235]
  本稿では,点目標追跡のための分散ガウス過程(DGP)アプローチを提案し,状態推定値の上限値(UCB)を導出する。 The novel hybrid Bayesian filtering method is proposed to improve the DGP approach by adopted a Poisson measurement chance model。 数値計算により,提案手法の追跡精度とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-09-11T22:42:11Z)
• Beyond the Known: Adversarial Autoencoders in Novelty Detection [2.7486022583843233]
  新規性検出では、新しいデータポイントをinlierまたはoutlierに分類するかどうかを判断する。 我々は類似のフレームワークを軽量なディープネットワークで使用し、再構成誤差を伴う確率的スコアを採用する。 その結果,本手法は対象クラスを学習する上で有効であることが示唆され,いくつかのベンチマークデータセット上での最近の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-06T00:04:19Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• InFlow: Robust outlier detection utilizing Normalizing Flows [7.309919829856283]
  正規化フローは、敵攻撃を含むアウトリーチを確実に検出できることを示す。 本手法では, トレーニングに外部データを必要としないため, OOD検出の効率性を示す。
  論文  参考訳（メタデータ） (2021-06-10T08:42:50Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Single-stage intake gesture detection using CTC loss and extended prefix beam search [8.22379888383833]
  個々の摂取行動の正確な検出は、自動食事監視への重要なステップである。 本稿では,センサデータから得られた確率を直接,スパース摂取検出にデコードする単一ステージアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-07T06:04:25Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。