論文の概要: Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition

• arxiv url: http://arxiv.org/abs/2510.00460v1
• Date: Wed, 01 Oct 2025 03:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.352397
• Title: Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition
• Title（参考訳）: テンソル分解を用いたロバスト時空間連続異常検出
• Authors: Rachita Mondal, Mert Indibi, Tapabrata Maiti, Selin Aviyente,
• Abstract要約: 本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 提案手法は合成データと実データの両方で評価される。
• 参考スコア（独自算出の注目度）: 14.212807007278185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in spatiotemporal data is a challenging problem encountered in a variety of applications, including video surveillance, medical imaging data, and urban traffic monitoring. Existing anomaly detection methods focus mainly on point anomalies and cannot deal with temporal and spatial dependencies that arise in spatio-temporal data. Tensor-based anomaly detection methods have been proposed to address this problem. Although existing methods can capture dependencies across different modes, they are primarily supervised and do not account for the specific structure of anomalies. Moreover, these methods focus mainly on extracting anomalous features without providing any statistical confidence. In this paper, we introduce an unsupervised tensor-based anomaly detection method that simultaneously considers the sparse and spatiotemporally smooth nature of anomalies. The anomaly detection problem is formulated as a regularized robust low-rank + sparse tensor decomposition where the total variation of the tensor with respect to the underlying spatial and temporal graphs quantifies the spatiotemporal smoothness of the anomalies. Once the anomalous features are extracted, we introduce a statistical anomaly scoring framework that accounts for local spatio-temporal dependencies. The proposed framework is evaluated on both synthetic and real data.
• Abstract（参考訳）: 時空間データにおける異常検出は、ビデオ監視、医療画像データ、都市交通監視など、様々なアプリケーションで直面する課題である。 既存の異常検出手法は、主に点異常に焦点を当てており、時空間データに生じる時間的・空間的依存に対処できない。 この問題を解決するために, テンソルを用いた異常検出手法が提案されている。 既存のメソッドは様々なモードにまたがる依存関係をキャプチャできるが、それらは主に監視されており、異常の特定の構造を考慮していない。 さらに, これらの手法は, 統計的信頼性を示さずに, 異常特徴の抽出に重点を置いている。 本稿では,異常のスパースと時空間的スムーズな性質を同時に考慮した,教師なしテンソルに基づく異常検出手法を提案する。 異常検出問題は正則化されたロバストなローランク + スパーステンソル分解として定式化され、基礎となる空間および時間グラフに対するテンソルの総変動は異常の時空間滑らかさを定量化する。 異常特徴を抽出すると,局所的時空間依存性を考慮した統計的異常スコアリングフレームワークを導入する。 提案手法は合成データと実データの両方で評価される。

関連論文リスト

• Possibility for Proactive Anomaly Detection [26.157855481471334]
  時系列異常検出の目的は、潜在的な損傷や損失を減らすことである。 既存の異常検出モデルは、モデル出力と基底真理(観測された)値の誤差によって異常を検出する。 本稿では,異常検出に特化した時系列予測モデルとデータ駆動異常検出モデルに基づく時系列異常検出のためのイテマプロアクティブアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-15T21:25:02Z)
• Calibrated Unsupervised Anomaly Detection in Multivariate Time-series using Reinforcement Learning [0.0]
  本稿では,自己エンコーダの潜伏空間における強化学習(RL)を用いた時系列データにおける教師なし異常検出について検討する。 我々はウェーブレット解析を用いて異常検出を強化し、時系列データを時間領域と周波数領域の両方に分解する。 我々は、合成異常を生成し、モデル内に教師付きフレームワークを埋め込むことで、決定境界を校正する。
  論文  参考訳（メタデータ） (2025-02-05T15:02:40Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• 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)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data [37.65687661747699]
  本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
  論文  参考訳（メタデータ） (2020-10-23T19:34:40Z)
• 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)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。