論文の概要: Improving Variational Autoencoder using Random Fourier Transformation: An Aviation Safety Anomaly Detection Case-Study

• arxiv url: http://arxiv.org/abs/2601.01016v1
• Date: Sat, 03 Jan 2026 00:56:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.944574
• Title: Improving Variational Autoencoder using Random Fourier Transformation: An Aviation Safety Anomaly Detection Case-Study
• Title（参考訳）: ランダムフーリエ変換を用いた変分オートエンコーダの改良:航空安全異常検出ケーススタディ
• Authors: Ata Akbari Asanjan, Milad Memarzadeh, Bryan Matthews, Nikunj Oza,
• Abstract要約: 我々は、ランダムフーリエ変換(RFT)を用いたディープニューラルネットワーク(DNN)のトレーニングプロセスと推論改善に焦点を当てる。 RFTを用いたモデルでは低周波と高周波を同時に学習するのに対し、従来のDNNでは低周波から始めて、高周波の特徴を徐々に学習する(成功すれば)。 データ表現のための2つの低次元合成データセットと、再構成に基づく異常検出のためのDashlinkと呼ばれる航空安全データセットでこの結果を示す。
• 参考スコア（独自算出の注目度）: 0.11666234644810891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we focus on the training process and inference improvements of deep neural networks (DNNs), specifically Autoencoders (AEs) and Variational Autoencoders (VAEs), using Random Fourier Transformation (RFT). We further explore the role of RFT in model training behavior using Frequency Principle (F-Principle) analysis and show that models with RFT turn to learn low frequency and high frequency at the same time, whereas conventional DNNs start from low frequency and gradually learn (if successful) high-frequency features. We focus on reconstruction-based anomaly detection using autoencoder and variational autoencoder and investigate the RFT's role. We also introduced a trainable variant of RFT that uses the existing computation graph to train the expansion of RFT instead of it being random. We showcase our findings with two low-dimensional synthetic datasets for data representation, and an aviation safety dataset, called Dashlink, for high-dimensional reconstruction-based anomaly detection. The results indicate the superiority of models with Fourier transformation compared to the conventional counterpart and remain inconclusive regarding the benefits of using trainable Fourier transformation in contrast to the Random variant.
• Abstract（参考訳）: 本研究では,深層ニューラルネットワーク(DNN),特にオートエンコーダ(AE)と変分オートエンコーダ(VAE)のランダムフーリエ変換(RFT)を用いたトレーニングプロセスと推論改善に焦点を当てた。 さらに、周波数原理(F-Principle)分析を用いたモデルトレーニングにおけるRFTの役割について検討し、RFTを持つモデルが低周波と高周波を同時に学習するのに対し、従来のDNNは低周波から始まり、高周波の特徴を徐々に(うまくいけば)学習することを示した。 本稿では,自動エンコーダと変分自動エンコーダを用いた再構成に基づく異常検出に着目し,RTTの役割について検討する。 また、既存の計算グラフを用いてRFTの拡張をランダムに訓練する、RFTのトレーニング可能な変種も導入した。 データ表現のための2つの低次元合成データセットと、高次元再構成に基づく異常検出のためのDashlinkと呼ばれる航空安全データセットを用いて、この知見を実証した。 結果は、従来のフーリエ変換と比較してフーリエ変換を持つモデルの優越性を示し、ランダム不変量とは対照的に、訓練可能なフーリエ変換を使用することの利点について不確定なままである。

関連論文リスト

• Quantum Meets SAR: A Novel Range-Doppler Algorithm for Next-Gen Earth Observation [0.0]
  本稿では、従来のFFTと比較して処理を高速化する量子レンジドップラーアルゴリズム(QRDA)を提案する。 RDAパイプラインにおける重要なステップであるフーリエ領域におけるレンジセルマイグレーション補正(RCMC)の量子実装を導入している。 量子RCMCの性能を従来のRCMCと比較して評価し、高度なSARイメージングにおける量子コンピューティングの可能性を示す。
  論文  参考訳（メタデータ） (2025-04-02T15:40:12Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustness [4.186792090302649]
  FWI(Full Waveform Inversion)は、非最適化問題を解くことにより、波形データから構造情報を推測する。 そこで我々は、FWIの周波数や音源の位置を含む情報源を一般化したニューラルネットワーク(Fourier-DeepONet)を開発した。 実験により,Fourier-DeepONetはより高精度な地下構造予測を行うことができた。
  論文  参考訳（メタデータ） (2023-05-26T22:17:28Z)
• Fourier Sensitivity and Regularization of Computer Vision Models [11.79852671537969]
  本稿では,ディープニューラルネットワークの周波数感度特性について,原理的アプローチを用いて検討する。 コンピュータビジョンモデルは、データセット、トレーニング方法、アーキテクチャに依存する特定の周波数に一貫して敏感であることがわかった。
  論文  参考訳（メタデータ） (2023-01-31T10:05:35Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Fourier Disentangled Space-Time Attention for Aerial Video Recognition [54.80846279175762]
  本稿では,UAVビデオ行動認識のためのFAR(Fourier Activity Recognition)アルゴリズムを提案する。 我々の定式化は、人間のエージェントを背景から自然に分離するために、新しいフーリエオブジェクト・ディコンタングルメント法を用いています。 我々はUAV Human RGB、UAV Human Night、Drone Action、NEC Droneを含む複数のUAVデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-03-21T01:24:53Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Random Feature Attention [69.4671822971207]
  ソフトマックス関数を近似するためにランダム特徴法を用いる線形時間空間アテンション RFA を提案する。 RFAは、従来のソフトマックスアテンションのドロップイン代替として使用することができ、オプションのゲーティング機構を通じて、遅延バイアスで直接学習する方法を提供する。 言語モデリングと機械翻訳の実験は、RFAが強力なトランスのベースラインと類似またはより良いパフォーマンスを達成することを実証します。
  論文  参考訳（メタデータ） (2021-03-03T02:48:56Z)

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。