論文の概要: IBAD: Interpretable Behavioral Anomaly Detection on Human Mobility Data

• arxiv url: http://arxiv.org/abs/2606.16023v1
• Date: Sun, 14 Jun 2026 21:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.994539
• Title: IBAD: Interpretable Behavioral Anomaly Detection on Human Mobility Data
• Title（参考訳）: IBAD:人間の移動データに基づく解釈可能な行動異常検出
• Abstract要約: 我々は,解釈可能な日常的モビリティテンプレートを学習するフレームワークであるtextttIBAD (underline Interpretable underlineBehavioral underlineAnomaly underlineDetection) を提案する。 IBADは特定の場所に焦点を当てるのではなく、個人が場所を横断して実行するアクティビティを特徴付ける。
• 参考スコア（独自算出の注目度）: 9.467724259941715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility appears highly diverse, yet much of a person's daily mobility can be explained by a small set of recurring behavioral templates, such as commuting, school-centered activities, caregiving, nightlife, or errand patterns. We present \texttt{IBAD} (\underline{I}nterpretable \underline{B}ehavioral \underline{A}nomaly \underline{D}etection), a framework that learns interpretable daily mobility templates and represents each individual as a distribution over mixtures of these templates. Rather than focusing on specific locations, IBAD characterizes activities that individuals perform across locations. This approach first discovers global behavioral templates using Latent Dirichlet Allocation (LDA), then employs a hierarchical self-supervised model to learn normal behavior of individuals from their soft behavioral templates. We also introduce a \emph{splicing benchmark} that creates controlled behavioral mismatches between an individual's historical profile and injected mobility patterns. Experiments on real-world and synthetic datasets show that daily behavior can be effectively decomposed into a small number of interpretable templates. Crucially, we show that the learned behavioral archetypes \emph{transfer} across distinct geographic and demographic contexts. Furthermore, IBAD maintains a robust competitive performance across all settings. For reproducibility purposes, the code is accessible at ~\href{https://github.com/USC-InfoLab/IBAD}{https://github.com/USC-InfoLab/IBAD}.
• Abstract（参考訳）: 人間の移動性は非常に多様に見えるが、日常生活の移動性の多くは通勤、学校中心の活動、介護、ナイトライフ、過激なパターンといった行動テンプレートによって説明できる。 我々は,解釈可能な日常的モビリティテンプレートを学習し,各個人をこれらのテンプレートの混合物上の分布として表現するフレームワークである,texttt{IBAD} (\underline{I}nterpretable \underline{B}ehavioral \underline{A}nomaly \underline{D}etection)を提案する。 IBADは特定の場所に焦点を当てるのではなく、個人が場所を横断して実行するアクティビティを特徴付ける。 このアプローチはまず、LDA(Latent Dirichlet Allocation)を用いてグローバルな行動テンプレートを発見し、続いて階層的自己監督モデルを用いて、ソフトな行動テンプレートから個人の正常な行動を学ぶ。 また、個人の履歴プロファイルと注入モビリティパターンの間に制御された行動ミスマッチを生成する「emph{splicing benchmark」も導入する。 実世界のデータセットと合成データセットの実験では、日々の振る舞いを少数の解釈可能なテンプレートに効果的に分解できることが示されている。 重要なことは、学習された行動的アーキタイプ \emph{transfer} が、地理的、人口統計学的に異なる文脈にまたがっていることを示している。 さらに、IBADはすべての設定で堅牢な競争性能を維持している。 再現性のために、コードは ~\href{https://github.com/USC-InfoLab/IBAD}{https://github.com/USC-InfoLab/IBAD} でアクセスできる。

関連論文リスト

• Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control [15.236237731175192]
  大きな言語モデル(LLM)は、ユーザエクスペリエンス、安全性、下流の意思決定に影響を及ぼす振る舞いスタイルの対話的な設定でますます機能します。 既存のLCMパーソナリティ研究は、一人称環境で実施されている自己申告アンケートに大きく依存している。 本稿では,LLMの行動特性を研究・制御するための行動データフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T09:25:47Z)
• From Abstraction to Instantiation: Learning Behavioral Representation for Vision-Language-Action Model [76.88595728131288]
  VLA(Vision-Language-Action)モデルは、分散シフト時にしばしば性能劣化に悩まされる。 時間的コヒーレントな行動表現の学習を通じて堅牢な操作を容易にするフレームワークである textbfBehaviorVLA を提案する。 RoboTwin 2.0、LIBERO、CALVINの実験では、最先端の成功率は58%、98%、および4.36(Avg.Len)である。
  論文  参考訳（メタデータ） (2026-05-21T16:14:19Z)
• BeSTAD: Behavior-Aware Spatio-Temporal Anomaly Detection for Human Mobility Data [8.023221981615988]
  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。
  論文  参考訳（メタデータ） (2025-10-14T02:33:06Z)
• Amortized Inference of Causal Models via Conditional Fixed-Point Iterations [17.427722515310606]
  本研究では,異なるSCMからサンプリングした複数のデータセットに対して,単一モデルをトレーニングすることにより,構造因果モデル(SCM)の補正推定を提案する。 まず、まず、データセット埋め込みのアモータイズ学習にトランスフォーマーベースのアーキテクチャを使用し、次にFixed-Point Approach(FiP)を拡張して、データセット埋め込みに条件付きSCMを推論する。 副産物として,本手法はパラメータを更新することなく,新しいSCMから観測データや介入データを生成することができる。
  論文  参考訳（メタデータ） (2024-10-08T15:31:33Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• Self-Supervised Disentanglement by Leveraging Structure in Data Augmentations [63.73044203154743]
  自己教師付き表現学習は、しばしばデータの「スタイル」属性を誘導するためにデータ拡張を使用する。 データの属性が実際に"スタイル"であり、安全に破棄されるような先入観を推論することは困難である。 スタイル機能を捨てるよりも、スタイル機能を切り離そうとする、より原則化されたアプローチを導入します。
  論文  参考訳（メタデータ） (2023-11-15T09:34:08Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable Diffusion Model [69.12623428463573]
  AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。 ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。 選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-03T13:53:08Z)
• Learning Behavior Representations Through Multi-Timescale Bootstrapping [8.543808476554695]
  本稿では,行動のマルチスケール表現学習モデルであるBootstrap Across Multiple Scales (BAMS)を紹介する。 まず,異なる地形タイプをナビゲートする四足歩行のデータセットに本手法を適用し,そのモデルが行動の時間的複雑さを捉えていることを示す。
  論文  参考訳（メタデータ） (2022-06-14T17:57:55Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)
• Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
  現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。 まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。 このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
  論文  参考訳（メタデータ） (2020-08-19T23:19:08Z)
• Routine pattern discovery and anomaly detection in individual travel behavior [14.490713382567073]
  個別の時間的旅行行動データをモデル化する確率的枠組みを構築した。 実世界のライセンスプレート認識(LPR)データセットにおける提案手法の有効性を実証する。 この種のパターン発見および異常検出アプリケーションは、交通監視、法執行、個人旅行行動プロファイリングに有用な洞察を提供することができる。
  論文  参考訳（メタデータ） (2020-04-05T14:28:26Z)

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。