論文の概要: Intention-aware Hierarchical Diffusion Model for Long-term Trajectory Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.17068v1
• Date: Sun, 21 Sep 2025 12:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.098675
• Title: Intention-aware Hierarchical Diffusion Model for Long-term Trajectory Anomaly Detection
• Title（参考訳）: 長期軌道異常検出のための意図認識階層的拡散モデル
• Authors: Chen Wang, Sarah Erfani, Tansu Alpcan, Christopher Leckie,
• Abstract要約: Intention-aware Hierarchical Diffusion Model (IHiDgoal) と呼ばれる教師なし軌道異常検出手法を提案する。 IHiDgoalは、高レベルインテント評価と低レベルサブ軌道解析の両方を通して異常を検出する。 実験の結果,IHiDgoal法は,最先端のベースラインよりもF1スコアにおいて,異常検出性能を最大30.2%向上することがわかった。
• 参考スコア（独自算出の注目度）: 9.366406753448453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term trajectory anomaly detection is a challenging problem due to the diversity and complex spatiotemporal dependencies in trajectory data. Existing trajectory anomaly detection methods fail to simultaneously consider both the high-level intentions of agents as well as the low-level details of the agent's navigation when analysing an agent's trajectories. This limits their ability to capture the full diversity of normal trajectories. In this paper, we propose an unsupervised trajectory anomaly detection method named Intention-aware Hierarchical Diffusion model (IHiD), which detects anomalies through both high-level intent evaluation and low-level sub-trajectory analysis. Our approach leverages Inverse Q Learning as the high-level model to assess whether a selected subgoal aligns with an agent's intention based on predicted Q-values. Meanwhile, a diffusion model serves as the low-level model to generate sub-trajectories conditioned on subgoal information, with anomaly detection based on reconstruction error. By integrating both models, IHiD effectively utilises subgoal transition knowledge and is designed to capture the diverse distribution of normal trajectories. Our experiments show that the proposed method IHiD achieves up to 30.2% improvement in anomaly detection performance in terms of F1 score over state-of-the-art baselines.
• Abstract（参考訳）: 長期軌跡異常検出は、軌跡データの多様性と複雑な時空間依存性のために難しい問題である。 既存の軌道異常検出方法は、エージェントの軌跡を分析する際に、エージェントの高レベルな意図とエージェントのナビゲーションの低レベルな詳細の両方を同時に考慮することができない。 これにより、通常の軌道の完全な多様性を捉える能力が制限される。 本稿では,高レベルな意図評価と低レベルなサブトラジェクトリ解析の両方を通じて異常を検出する,意図認識階層拡散モデル(IHiD)と呼ばれる教師なし軌道異常検出手法を提案する。 提案手法は,選択したサブゴールがエージェントの意図と一致しているかを予測されたQ値に基づいて評価するために,逆Q学習を高レベルモデルとして活用する。 一方、拡散モデルは低レベルモデルとして機能し、サブゴール情報に基づくサブトラジェクトリを生成し、再構成誤差に基づいた異常検出を行う。 両方のモデルを統合することで、IHiDはサブゴール遷移の知識を効果的に利用し、通常の軌道の多様な分布を捉えるように設計されている。 実験の結果,IHiD法は,最先端のベースラインよりもF1スコアにおいて,異常検出性能が最大30.2%向上することがわかった。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• 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)
• CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
  コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。 本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
  論文  参考訳（メタデータ） (2023-11-12T10:07:03Z)
• One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning [17.590080772567678]
  ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。 現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。 本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-22T06:41:09Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• 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。