論文の概要: CoBAD: Modeling Collective Behaviors for Human Mobility Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.14088v1
• Date: Wed, 13 Aug 2025 19:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.175222
• Title: CoBAD: Modeling Collective Behaviors for Human Mobility Anomaly Detection
• Title（参考訳）: CoBAD:人間の移動異常検出のための集団行動モデリング
• Authors: Haomin Wen, Shurui Cao, Leman Akoglu,
• Abstract要約: CoBADは、人間の移動異常検出のための集合行動のキャプチャーを目的として設計された新しいモデルである。 予期せぬ共起異常と不在異常の2種類の集団異常を検出できる。
• 参考スコア（独自算出の注目度）: 28.311683535974634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalies in human mobility is essential for applications such as public safety and urban planning. While traditional anomaly detection methods primarily focus on individual movement patterns (e.g., a child should stay at home at night), collective anomaly detection aims to identify irregularities in collective mobility behaviors across individuals (e.g., a child is at home alone while the parents are elsewhere) and remains an underexplored challenge. Unlike individual anomalies, collective anomalies require modeling spatiotemporal dependencies between individuals, introducing additional complexity. To address this gap, we propose CoBAD, a novel model designed to capture Collective Behaviors for human mobility Anomaly Detection. We first formulate the problem as unsupervised learning over Collective Event Sequences (CES) with a co-occurrence event graph, where CES represents the event sequences of related individuals. CoBAD then employs a two-stage attention mechanism to model both the individual mobility patterns and the interactions across multiple individuals. Pre-trained on large-scale collective behavior data through masked event and link reconstruction tasks, CoBAD is able to detect two types of collective anomalies: unexpected co-occurrence anomalies and absence anomalies, the latter of which has been largely overlooked in prior work. Extensive experiments on large-scale mobility datasets demonstrate that CoBAD significantly outperforms existing anomaly detection baselines, achieving an improvement of 13%-18% in AUCROC and 19%-70% in AUCPR. All source code is available at https://github.com/wenhaomin/CoBAD.
• Abstract（参考訳）: 公共安全や都市計画などの応用には,人体移動における異常の検出が不可欠である。 従来の異常検出方法は、主に個人の移動パターン(例えば、子供が夜間に滞在すべき)に焦点を当てるが、集団異常検出は、個人間での集団移動行動の不規則性(例えば、親が他にいる間、子供が単独でいるなど)を識別することを目的としており、未解決の課題である。 個々の異常とは異なり、集団異常は個人間の時空間依存をモデル化し、さらなる複雑さをもたらす必要がある。 このギャップに対処するために,人間の移動異常検出のための集合行動のキャプチャーを目的とした新しいモデルであるCoBADを提案する。 まず,CESが関連する個人のイベントシーケンスを表す共起イベントグラフを用いて,集合イベントシーケンス(CES)の教師なし学習として問題を定式化する。 次にCoBADは、個々のモビリティパターンと複数の個人間の相互作用の両方をモデル化するために、2段階のアテンションメカニズムを使用する。 マスク付きイベントとリンク再構成タスクによる大規模集団行動データに基づいて事前訓練されたCoBADは、予期せぬ共起異常と不在異常の2種類の集団異常を検出することができる。 大規模なモビリティデータセットに関する大規模な実験により、CoBADは既存の異常検出ベースラインを著しく上回り、AUCROCでは13%-18%、AUCPRでは19%-70%の改善を達成した。 すべてのソースコードはhttps://github.com/wenhaomin/CoBAD.comで入手できる。

関連論文リスト

• Uncertainty-aware Human Mobility Modeling and Anomaly Detection [24.22648449430148]
  生のGPSデータを連続的静止点イベントとしてモデル化した人間の行動における異常検出を定式化する。 提案したモデルUSTADとアレータティック不確実性推定を併用する。 実験の結果,USTADは産業規模データのベースライン以上でAUCROCの異常検出を3%-15%改善することがわかった。
  論文  参考訳（メタデータ） (2024-10-02T06:57:08Z)
• Neural Collaborative Filtering to Detect Anomalies in Human Semantic Trajectories [0.5774786149181392]
  本研究では,人体軌跡の異常を検出するための軽量な異常検出モデルを構築した。 アルゴリズムは2つの主要モジュールから構成される。1つは協調フィルタリングモジュールであり、これは人間の正常な移動を興味のある場所にモデル化するための協調フィルタリングである。 提案手法の有効性を検証するために,シミュレーションおよび実世界のデータセットを用いて,多数の最先端の軌道異常検出手法と比較した広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-09-27T03:28:11Z)
• Frequency-Guided Multi-Level Human Action Anomaly Detection with Normalizing Flows [13.77542608443034]
  本研究では,人間の行動異常検出(HAAD)の課題について紹介する。 ビデオからの異常な出来事に主に焦点をあてる以前の人間関係の異常検出タスクと比較して、HAADは、意味的に異常な人間の行動を認識するために、特定のアクションラベルを学習する。
  論文  参考訳（メタデータ） (2024-04-26T12:56:16Z)
• Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection [46.8584162860564]
  ビデオ異常検出(VAD)のための新しい生成モデルを提案する。 我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。 4つの確立されたベンチマークでモデルを検証します。
  論文  参考訳（メタデータ） (2023-07-14T07:42:45Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• ACP++: Action Co-occurrence Priors for Human-Object Interaction Detection [102.9428507180728]
  ヒューマン・オブジェクト・インタラクション(HOI)検出のタスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関関係と反相関が存在することを観察した。 我々は、これらの先行知識を学習し、特に稀なクラスにおいて、より効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2021-09-09T06:02:50Z)
• Detecting Human-Object Interactions with Action Co-occurrence Priors [108.31956827512376]
  人-物間相互作用(HOI)検出タスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関と反相関が存在することを観察した。 我々はこれらの先行知識を学習し、特に稀なクラスにおいてより効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T02:47:45Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。