論文の概要: RoseCDL: Robust and Scalable Convolutional Dictionary Learning for Rare-event Detection

• arxiv url: http://arxiv.org/abs/2509.07523v1
• Date: Tue, 09 Sep 2025 08:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.241942
• Title: RoseCDL: Robust and Scalable Convolutional Dictionary Learning for Rare-event Detection
• Title（参考訳）: RoseCDL: 希少検出のためのロバストでスケーラブルな畳み込み辞書学習
• Authors: Jad Yehya, Mansour Benbakoura, Cédric Allain, Benoît Malezieux, Matthieu Kowalski, Thomas Moreau,
• Abstract要約: そこで我々はRoseCDLというスケーラブルで堅牢なCDLアルゴリズムを紹介した。 これにより、CDLは実世界の信号のイベント発見とキャラクタリゼーションの実践的なツールとして再編成され、圧縮やデノイングといった従来のタスクを越えてその役割を拡大する。
• 参考スコア（独自算出の注目度）: 7.861022692866121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying recurring patterns and rare events in large-scale signals is a fundamental challenge in fields such as astronomy, physical simulations, and biomedical science. Convolutional Dictionary Learning (CDL) offers a powerful framework for modeling local structures in signals, but its use for detecting rare or anomalous events remains largely unexplored. In particular, CDL faces two key challenges in this setting: high computational cost and sensitivity to artifacts and outliers. In this paper, we introduce RoseCDL, a scalable and robust CDL algorithm designed for unsupervised rare event detection in long signals. RoseCDL combines stochastic windowing for efficient training on large datasets with inline outlier detection to enhance robustness and isolate anomalous patterns. This reframes CDL as a practical tool for event discovery and characterization in real-world signals, extending its role beyond traditional tasks like compression or denoising.
• Abstract（参考訳）: 大規模な信号の繰り返しパターンや稀な事象を特定することは、天文学、物理シミュレーション、生物医学などの分野における根本的な課題である。 畳み込み辞書学習(CDL)は、信号の局所構造をモデル化するための強力なフレームワークを提供するが、まれな事象や異常な事象を検出するために使用されることは、ほとんど探索されていない。 特に、CDLはこの設定において2つの重要な課題に直面している。 本稿では,長期信号における教師なしまれな事象検出のためのスケーラブルで堅牢なCDLアルゴリズムであるRoseCDLを紹介する。 RoseCDLは確率的ウィンドウニングと大規模データセットの効率的なトレーニングとインラインアウトリーチ検出を組み合わせることで、堅牢性を高め、異常パターンを分離する。 これにより、CDLは実世界の信号のイベント発見とキャラクタリゼーションの実践的なツールとして再編成され、圧縮やデノイングといった従来のタスクを越えてその役割を拡大する。

関連論文リスト

• Exploring Active Learning for Semiconductor Defect Segmentation [20.72106200701627]
  本研究では,アノテーションの負担を軽減するための潜在的解決策として,アクティブラーニング(AL)について検討する。 我々は、半導体XRMスキャンにALを適用する際、大きなドメインシフトと厳しいクラス不均衡という2つの固有の課題を特定した。 これらの課題に対処するため、非競合データに対してコントラスト事前学習を行うことを提案する。 我々は,論理とメモリダイスからなる高帯域メモリ構造のXRMスキャンからコンパイルした半導体データセット上で,本手法の評価を行った。
  論文  参考訳（メタデータ） (2025-07-23T09:44:11Z)
• From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
  現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。 本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。 私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-02-09T10:30:54Z)
• PAD-F: Prior-Aware Debiasing Framework for Long-Tailed X-ray Prohibited Item Detection [56.25222232778367]
  実世界の禁止アイテム検出シナリオにおけるオブジェクトクラスの分布は、しばしばはっきりとした長い尾の分布を示す。 本稿では,2つの戦略を取り入れた新しいアプローチであるPAD-F(Presideed-Aware Debiasing Framework)を紹介する。 PAD-Fは複数の一般的な検出器の性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-27T06:13:56Z)
• Large-Scale Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 ローカル推論戦略を用いることで、我々のアプローチは変数数に線形な複雑さを伴ってスケールし、数千の変数に効率的にスケールアップする。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
  異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。 本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-17T00:24:28Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
  本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。 本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
  論文  参考訳（メタデータ） (2021-06-05T03:57:41Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Longitudinal Deep Kernel Gaussian Process Regression [16.618767289437905]
  縦型ディープカーネルプロセスレグレッション(L-DKGPR)を導入する。 L-DKGPRは、縦方向のデータから複雑な多レベル相関構造の発見を自動化する。 そこで我々は,L-DKGPRを学習するための効率的なアルゴリズムを,遅延空間誘導点と変分推論を用いて導出した。
  論文  参考訳（メタデータ） (2020-05-24T15:10:48Z)

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。