論文の概要: CroTad: A Contrastive Reinforcement Learning Framework for Online Trajectory Anomaly Detection

• arxiv url: http://arxiv.org/abs/2511.16929v1
• Date: Fri, 21 Nov 2025 03:43:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.877033
• Title: CroTad: A Contrastive Reinforcement Learning Framework for Online Trajectory Anomaly Detection
• Title（参考訳）: CroTad: オンライン軌道異常検出のためのコントラスト強化学習フレームワーク
• Authors: Rui Xue, Dan He, Fengmei Jin, Chen Zhang, Xiaofang Zhou,
• Abstract要約: オンライントラジェクトリ異常検出のためのコントラスト強化学習フレームワークであるCroTadを提案する。 本手法は, しきい値が無く, ノイズや不規則なサンプルデータに対して頑健である。 検出モジュールは、深層強化学習を利用して、オンラインでリアルタイムな異常スコアリングを行い、異常セグメントのタイムリーかつきめ細かな識別を可能にする。
• 参考スコア（独自算出の注目度）: 17.067694410502035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting trajectory anomalies is a vital task in modern Intelligent Transportation Systems (ITS), enabling the identification of unsafe, inefficient, or irregular travel behaviours. While deep learning has emerged as the dominant approach, several key challenges remain unresolved. First, sub-trajectory anomaly detection, capable of pinpointing the precise segments where anomalies occur, remains underexplored compared to whole-trajectory analysis. Second, many existing methods depend on carefully tuned thresholds, limiting their adaptability in real-world applications. Moreover, the irregular sampling of trajectory data and the presence of noise in training sets further degrade model performance, making it difficult to learn reliable representations of normal routes. To address these challenges, we propose a contrastive reinforcement learning framework for online trajectory anomaly detection, CroTad. Our method is threshold-free and robust to noisy, irregularly sampled data. By incorporating contrastive learning, CroTad learns to extract diverse normal travel patterns for different itineraries and effectively distinguish anomalous behaviours at both sub-trajectory and point levels. The detection module leverages deep reinforcement learning to perform online, real-time anomaly scoring, enabling timely and fine-grained identification of abnormal segments. Extensive experiments on two real-world datasets demonstrate the effectiveness and robustness of our framework across various evaluation scenarios.
• Abstract（参考訳）: 軌道異常の検出は、現代のインテリジェントトランスポーテーションシステム(ITS)において重要な課題であり、安全でない、非効率な、不規則な旅行行動の特定を可能にする。 ディープラーニングが主流のアプローチとして登場したが、いくつかの重要な課題は未解決のままである。 第一に、異常が発生している正確なセグメントを特定できるサブ軌道異常検出は、全軌道分析と比較して未探索のままである。 第二に、既存の多くの手法は注意深く調整されたしきい値に依存し、現実のアプリケーションにおける適応性を制限する。 さらに、軌道データの不規則なサンプリングと訓練におけるノイズの存在により、モデル性能はさらに低下し、通常の経路の信頼性の高い表現を学習することが困難になる。 これらの課題に対処するために、オンライン軌道異常検出のための対照的な強化学習フレームワーク、CroTadを提案する。 本手法は, しきい値が無く, ノイズや不規則なサンプルデータに対して頑健である。 対照的な学習を取り入れることで、CroTadは、異なる経路の様々な通常の旅行パターンを抽出し、サブ軌道とポイントレベルの両方で異常な振る舞いを効果的に識別することを学ぶ。 検出モジュールは、深層強化学習を利用して、オンラインでリアルタイムな異常スコアリングを行い、異常セグメントのタイムリーかつきめ細かな識別を可能にする。 2つの実世界のデータセットに対する大規模な実験は、様々な評価シナリオにおける我々のフレームワークの有効性と堅牢性を示している。

関連論文リスト

• Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
  本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。 従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。 モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T17:47:21Z)
• Towards Real Unsupervised Anomaly Detection Via Confident Meta-Learning [12.690752260618522]
  Confident Meta-learning(CoMet)は、未処理のデータセットから深層異常検出モデルを学ぶことができる新しいトレーニング戦略である。 本手法では,低信頼度サンプルに低重みを割り当てるSoft Confident Learningと,更新を規則化してトレーニングを安定化するMeta-Learningを統合した。
  論文  参考訳（メタデータ） (2025-08-04T11:03:12Z)
• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。