論文の概要: Context-Aware Autoencoders for Anomaly Detection in Maritime Surveillance

• arxiv url: http://arxiv.org/abs/2602.00124v1
• Date: Tue, 27 Jan 2026 19:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:32.957974
• Title: Context-Aware Autoencoders for Anomaly Detection in Maritime Surveillance
• Title（参考訳）: 海上サーベイランスにおける異常検出のための文脈対応オートエンコーダ
• Authors: Divya Acharya, Pierre Bernab'e, Antoine Chevrot, Helge Spieker, Arnaud Gotlieb, Bruno Legeard,
• Abstract要約: オートエンコーダは異常検出に人気があるが、有効性は限られている。 そこで我々はコンテキスト認識型オートエンコーダという新しい手法を提案する。 4つの文脈対応オートエンコーダと従来のオートエンコーダを比較した。
• 参考スコア（独自算出の注目度）: 5.016507746503802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The detection of anomalies is crucial to ensuring the safety and security of maritime vessel traffic surveillance. Although autoencoders are popular for anomaly detection, their effectiveness in identifying collective and contextual anomalies is limited, especially in the maritime domain, where anomalies depend on vessel-specific contexts derived from self-reported AIS messages. To address these limitations, we propose a novel solution: the context-aware autoencoder. By integrating context-specific thresholds, our method improves detection accuracy and reduces computational cost. We compare four context-aware autoencoder variants and a conventional autoencoder using a case study focused on fishing status anomalies in maritime surveillance. Results demonstrate the significant impact of context on reconstruction loss and anomaly detection. The context-aware autoencoder outperforms others in detecting anomalies in time series data. By incorporating context-specific thresholds and recognizing the importance of context in anomaly detection, our approach offers a promising solution to improve accuracy in maritime vessel traffic surveillance systems.
• Abstract（参考訳）: 異常の検出は、海上船舶の交通監視の安全性と安全性を確保するために不可欠である。 オートエンコーダは異常検出に人気があるが、特に海上ドメインでは、自己報告されたAISメッセージから派生した容器固有のコンテキストに依存するため、集団的および文脈的異常を識別する効果は限られている。 これらの制約に対処するために、コンテキスト対応オートエンコーダという新しいソリューションを提案する。 文脈固有のしきい値を統合することにより,検出精度が向上し,計算コストが削減される。 海上監視における漁獲状況の異常に着目したケーススタディを用いて, 4種類の文脈認識型オートエンコーダと従来型のオートエンコーダを比較した。 その結果,再建障害と異常検出に対する文脈の影響が示唆された。 文脈対応オートエンコーダは、時系列データにおける異常の検出において他者より優れる。 本手法は, 船舶交通監視システムにおいて, コンテキスト固有のしきい値を導入し, 異常検出におけるコンテキストの重要性を認識することによって, 精度を向上させるための有望なソリューションを提供する。

関連論文リスト

• Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
  オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。 本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。 実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-03T19:30:11Z)
• Anomaly Detection with Adversarially Learned Perturbations of Latent Space [9.473040033926264]
  異常検出は、正常なデータの分布に適合しないサンプルを特定することである。 本研究では,2つの競合するコンポーネント,Adversarial Distorter と Autoencoder で構成される対角的フレームワークを設計した。 提案手法は,画像およびビデオデータセットの異常検出において,既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-03T19:32:00Z)
• 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)
• Context-Dependent Anomaly Detection with Knowledge Graph Embedding Models [0.0]
  本研究では,コンテキスト依存型異常検出問題をリンク予測問題に変換するフレームワークを開発する。 本研究では,文脈依存型異常を高い精度で検出できることを示す。
  論文  参考訳（メタデータ） (2022-03-17T14:36:12Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
  本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。 そして、復号ステージの復元誤差に基づいて異常検出を行う。
  論文  参考訳（メタデータ） (2020-02-07T09:53:46Z)

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。