論文の概要: BeSTAD: Behavior-Aware Spatio-Temporal Anomaly Detection for Human Mobility Data

• arxiv url: http://arxiv.org/abs/2510.12076v1
• Date: Tue, 14 Oct 2025 02:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.150507
• Title: BeSTAD: Behavior-Aware Spatio-Temporal Anomaly Detection for Human Mobility Data
• Title（参考訳）: BeSTAD:人間の移動データに対する行動認識時空間異常検出
• Authors: Junyi Xie, Jina Kim, Yao-Yi Chiang, Lingyi Zhao, Khurram Shafique,
• Abstract要約: 本研究では,大規模人口を対象とした個人行動シグネチャをキャプチャする,教師なしのフレームワークBeSTADを提案する。 BeSTADは、位置の意味と時間的パターンを統合する意味的に豊かなモビリティ表現を学習する。 BeSTADは、一貫したセマンティックアライメントとクロス周期の行動比較によって異常を識別する。
• 参考スコア（独自算出の注目度）: 8.023221981615988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional anomaly detection in human mobility has primarily focused on trajectory-level analysis, identifying statistical outliers or spatiotemporal inconsistencies across aggregated movement traces. However, detecting individual-level anomalies, i.e., unusual deviations in a person's mobility behavior relative to their own historical patterns, within datasets encompassing large populations remains a significant challenge. In this paper, we present BeSTAD (Behavior-aware Spatio-Temporal Anomaly Detection for Human Mobility Data), an unsupervised framework that captures individualized behavioral signatures across large populations and uncovers fine-grained anomalies by jointly modeling spatial context and temporal dynamics. BeSTAD learns semantically enriched mobility representations that integrate location meaning and temporal patterns, enabling the detection of subtle deviations in individual movement behavior. BeSTAD further employs a behavior-cluster-aware modeling mechanism that builds personalized behavioral profiles from normal activity and identifies anomalies through cross-period behavioral comparison with consistent semantic alignment. Building on prior work in mobility behavior clustering, this approach enables not only the detection of behavioral shifts and deviations from established routines but also the identification of individuals exhibiting such changes within large-scale mobility datasets. By learning individual behaviors directly from unlabeled data, BeSTAD advances anomaly detection toward personalized and interpretable mobility analysis.
• Abstract（参考訳）: 人体移動における従来の異常検出は、主に軌跡レベルの分析に焦点を合わせ、統計的外れ値や時空間的不整合を集約された運動トレースで識別する。 しかし、個人レベルの異常、すなわち個人の移動行動における異常な偏差を検出することは、大集団を包含するデータセットの中で重要な課題である。 本稿では,BeSTAD(Behavior-aware Spatio-Temporal Anomaly Detection for Human Mobility Data)を提案する。 BeSTADは、位置の意味と時間的パターンを統合する意味的に豊かなモビリティ表現を学習し、個々の動作行動における微妙な偏差の検出を可能にする。 BeSTADはさらに、通常のアクティビティからパーソナライズされた行動プロファイルを構築し、一貫したセマンティックアライメントとクロス周期の行動比較を通じて異常を識別する、行動クラスタ対応のモデリングメカニズムを採用している。 移動行動クラスタリングにおける先行的な作業に基づいて、既存のルーチンから行動シフトや偏差を検出するだけでなく、大規模な移動データセット内でそのような変化を示す個人を識別することが可能になる。 ラベルのないデータから個人行動を直接学習することにより、BeSTADはパーソナライズされた解釈可能なモビリティ分析に向けて異常検出を進める。

関連論文リスト

• The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs [60.15472325639723]
  人格特性は、人間の行動の予測因子として長い間研究されてきた。 近年のLarge Language Models (LLM) は, 人工システムに類似したパターンが出現する可能性を示唆している。
  論文  参考訳（メタデータ） (2025-09-03T21:27:10Z)
• CoBAD: Modeling Collective Behaviors for Human Mobility Anomaly Detection [28.311683535974634]
  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。
  論文  参考訳（メタデータ） (2025-08-13T19:33:38Z)
• 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)
• 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)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Predicting Human Mobility via Self-supervised Disentanglement Learning [21.61423193132924]
  本稿では,次のPOI予測問題に対処するため,SSDLと呼ばれる新しい解を提案する。 本研究では,人間の本質的な周期性と常に変化する意図の理解を高めるために,二つの現実的な軌道拡張手法を提案する。 4つの実世界のデータセットで実施された大規模な実験により、提案したSSDLは最先端のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-17T16:17:22Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)

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。