論文の概要: Bayesian Nonparametric Detection of Anomalies in Multivariate Functional Data

• arxiv url: http://arxiv.org/abs/2606.18412v1
• Date: Tue, 16 Jun 2026 19:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.858287
• Title: Bayesian Nonparametric Detection of Anomalies in Multivariate Functional Data
• Title（参考訳）: 多変量関数データにおけるベイズ非パラメトリック異常検出
• Authors: Daniel Krasnov, David Stephens,
• Abstract要約: 機能データの異常は、支配的なデータ生成メカニズムから逸脱する稀なプロセスまたは別個のプロセスから生じる。 我々は,多出力ガウス過程の無限混合として,有限かつ自動的に決定される混合成分の数をモデル化する。 このモデルでは、異常な観測は、異常の数や性質を事前に指定することなく、小さな混合成分に割り当てられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomalies in functional data arise from rare or distinct processes that deviate from the dominant data-generating mechanism. Detecting such departures is essential in applications where they may correspond to errors, structural changes, or other behavior of interest. This work introduces a Bayesian nonparametric approach for anomaly detection in multivariate functional data. We model functional data as an infinite mixture of multi-output Gaussian processes, with a finite and automatically determined number of mixture components obtained through slice sampling. Mean functions are represented using a wavelet basis and regularized through Besov priors to obtain a smooth and sparse representation of the data. Cross-functional dependence is captured using the intrinsic coregionalization model and we solve covariance kernel selection by introducing a Carlin-Chib product space step in the Markov Chain Monte Carlo algorithm. Within this model, anomalous observations are assigned to small mixture components without requiring prior specification of the number or nature of anomalies. We consider a semi-supervised setting, in which labels are available for 15% of the normal observations and a large class imbalance is present. The utility of our model is demonstrated on both univariate and multivariate functional data.
• Abstract（参考訳）: 機能データの異常は、支配的なデータ生成メカニズムから逸脱する稀なプロセスまたは別個のプロセスから生じる。 このような離脱を検出することは、エラー、構造的変化、その他の関心の振る舞いに対応するアプリケーションにおいて不可欠である。 本研究では,多変量関数データにおける異常検出に対するベイズ非パラメトリック手法を提案する。 我々は多出力ガウス過程の無限混合として関数データをモデル化し、スライスサンプリングによって得られる混合成分の有限かつ自動的に決定する。 平均関数はウェーブレット基底を用いて表現され、ベソフによって正規化され、データの滑らかでスパースな表現が得られる。 固有コリージョン化モデルを用いてクロスファンクショナル依存を捕捉し,マルコフ連鎖モンテカルロアルゴリズムにCarlin-Chib積空間ステップを導入することで共分散カーネル選択を解く。 このモデルでは、異常な観測は、異常の数や性質を事前に指定することなく、小さな混合成分に割り当てられる。 我々は,通常の観測の15%でラベルが利用可能であり,大きなクラス不均衡が存在する半教師付き設定を考える。 単変量関数データと多変量関数データの両方において,本モデルの実用性を示す。

関連論文リスト

• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Joint Alignment of Multivariate Quasi-Periodic Functional Data Using Deep Learning [0.0]
  深層ニューラルネットワークを用いた多変量準周期関数の結合アライメント法を提案する。 提案するニューラルネットワークは,単位単純度変換に基づく出力の特別な活性化を利用する。 本手法は,12個の心電図記録から得られた2つのシミュレーションデータセットと1つの実例を用いて実証した。
  論文  参考訳（メタデータ） (2023-11-14T10:09:40Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Data thinning for convolution-closed distributions [2.299914829977005]
  本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。 教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
  論文  参考訳（メタデータ） (2023-01-18T02:47:41Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models [16.436293069942312]
  我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。 本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。 提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
  論文  参考訳（メタデータ） (2021-08-27T18:10:31Z)
• Outlier detection in multivariate functional data through a contaminated mixture model [0.0]
  この研究は、センサーのアクティビティを高頻度で記録する産業環境での応用によって動機付けられている。 目的は、異常な測定行動を自動的に検出することである。
  論文  参考訳（メタデータ） (2021-06-14T08:17:42Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。