論文の概要: Local Intrinsic Dimensionality of Ground Motion Data for Early Detection of Complex Catastrophic Slope Failure

• arxiv url: http://arxiv.org/abs/2601.03569v1
• Date: Wed, 07 Jan 2026 04:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.258955
• Title: Local Intrinsic Dimensionality of Ground Motion Data for Early Detection of Complex Catastrophic Slope Failure
• Title（参考訳）: 複雑な壊滅性斜面崩壊の早期検出のための地動データの局所固有次元
• Authors: Yuansan Liu, Antoinette Tordesillas, James Bailey,
• Abstract要約: 局所固有次元(LID)は,高次元データにおける異常や外れ値の同定に強い可能性を示している。 本研究では,地中地すべりのモニタリングに焦点をあて,空間的・時間的情報を統合した新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 5.622625734292367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Local Intrinsic Dimensionality (LID) has shown strong potential for identifying anomalies and outliers in high-dimensional data across a wide range of real-world applications, including landslide failure detection in granular media. Early and accurate identification of failure zones in landslide-prone areas is crucial for effective geohazard mitigation. While existing approaches typically rely on surface displacement data analyzed through statistical or machine learning techniques, they often fall short in capturing both the spatial correlations and temporal dynamics that are inherent in such data. To address this gap, we focus on ground-monitored landslides and introduce a novel approach that jointly incorporates spatial and temporal information, enabling the detection of complex landslides and including multiple successive failures occurring in distinct areas of the same slope. To be specific, our method builds upon an existing LID-based technique, known as sLID. We extend its capabilities in three key ways. (1) Kinematic enhancement: we incorporate velocity into the sLID computation to better capture short-term temporal dependencies and deformation rate relationships. (2) Spatial fusion: we apply Bayesian estimation to aggregate sLID values across spatial neighborhoods, effectively embedding spatial correlations into the LID scores. (3) Temporal modeling: we introduce a temporal variant, tLID, that learns long-term dynamics from time series data, providing a robust temporal representation of displacement behavior. Finally, we integrate both components into a unified framework, referred to as spatiotemporal LID (stLID), to identify samples that are anomalous in either or both dimensions. Extensive experiments show that stLID consistently outperforms existing methods in failure detection precision and lead-time.
• Abstract（参考訳）: 局所固有次元(LID)は、粒状媒体における地すべりの破壊検出を含む、広範囲の現実的応用にわたる高次元データにおいて、異常や外れ値の同定に強い可能性を示している。 地すべり発生地における破壊帯の早期かつ正確な同定は,効果的な地すべり緩和に不可欠である。 既存のアプローチは、統計学や機械学習の手法で分析された表面変位データに依存するが、そのようなデータに固有の空間的相関と時間的ダイナミクスの両方を捉えるには不十分であることが多い。 このギャップを解消するために,地中地すべりのモニタリングに焦点をあて,空間的・時間的情報を統合し,複雑な地すべりの検出を可能にし,同じ斜面の異なる場所で連続的に発生する複数の障害を含む,新たなアプローチを導入する。 本手法は, sLID と呼ばれる既存の LID ベースの手法に基づいている。 私たちはその能力を3つの重要な方法で拡張します。 1) 運動性強化: 短時間の時間依存性と変形率の関係をよりよく把握するために, 速度をsLID計算に組み込む。 2)空間融合:空間近傍におけるsLID値の集約にベイズ推定を適用し,空間相関をLIDスコアに効果的に埋め込む。 3) 時間的モデリング: 時系列データから長期的ダイナミクスを学習し, 時間的変動を頑健に表現する tLID を導入する。 最後に,両コンポーネントを時空間LID (spatiotemporal LID) と呼ばれる統合フレームワークに統合し,いずれかの次元で異常なサンプルを同定する。 広範囲な実験により、stLIDは失敗検出精度とリードタイムにおいて既存の手法よりも一貫して優れていた。

関連論文リスト

• Attention-Guided Deep Adversarial Temporal Subspace Clustering (A-DATSC) Model for multivariate spatiotemporal data [0.16206783799607727]
  サブスペースクラスタリングモデルは、融雪検出海氷追跡などの応用に不可欠である。 グラフアテンションに基づく自己表現型ネットワークは、局所的な空間的関係、グローバルな依存関係、短距離と長距離の両方をキャプチャする。 3つの実世界のデータセットによる実験により、A-SCSCは最先端の深層宇宙クラスタリングモデルと比較してかなり優れたクラスタリング性能を達成している。
  論文  参考訳（メタデータ） (2025-10-20T18:38:26Z)
• Seurat: From Moving Points to Depth [66.65189052568209]
  本研究では,2次元軌跡の空間的関係と時間的変化を調べ,相対的な深度を推定する手法を提案する。 提案手法は,様々な領域にわたる時間的スムーズかつ高精度な深度予測を実現する。
  論文  参考訳（メタデータ） (2025-04-20T17:37:02Z)
• Efficient 4D fMRI ASD Classification using Spatial-Temporal-Omics-based Learning Framework [7.944298319589845]
  Resting-state fMRIは、脳の接続パターンをキャプチャする非侵襲的なツールで、早期のASD診断と分化を助ける。 平均時系列または全4Dデータに依存する従来の手法は、空間情報の欠如によって制限される。 ASD分類のためのfMRIから脳の時間的特徴を効率的に抽出するための,新しい,シンプルで効率的な時空間オミクス学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-26T18:31:07Z)
• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• Surgformer: Surgical Transformer with Hierarchical Temporal Attention for Surgical Phase Recognition [7.682613953680041]
  本稿では,空間時間モデルと冗長性の問題に終末的に対処する手術用トランスフォーマー(サージフォーマー)を提案する。 提案するサージフォーマーは,最先端の手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-07T16:16:31Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Physics-Guided Abnormal Trajectory Gap Detection [2.813613899641924]
  本研究では,時空間のインデックス化と軌道ギャップのマージを両立させるための時空間ギャップ検出(STAGD)手法を提案する。 また、ダイナミックリージョンベースのマージ(DRM)アプローチを導入し、ギャップ異常スコアを効率的に計算する。
  論文  参考訳（メタデータ） (2024-03-10T17:07:28Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)

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。