文献

J-GLOBAL ID：201702237615898767   整理番号：17A1250942

深いアーキテクチャを用いた教師なし逐次異常値検出【Powered by NICT】

Unsupervised Sequential Outlier Detection With Deep Architectures

著者 (7件)： Lu Weining (Department of Automation, Tsinghua University, Beijing, China) ,  Cheng Yu (IBM T. J. Watson Research Center, Yorktown Heights, NY, USA) ,  Xiao Cao (IBM T. J. Watson Research Center, Yorktown Heights, NY, USA) ,  Chang Shiyu (IBM T. J. Watson Research Center, Yorktown Heights, NY, USA) ,  Huang Shuai (Department of Industrial and Systems Engineering, University of Washington, Seattle, WA, USA) ,  Liang Bin (Department of Automation, Tsinghua University, Beijing, China) ,  Huang Thomas (Beckman Institute, University of Illinois at Urbana-Champaign, IL, USA)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 26  号： 9  ページ： 4321-4330  発行年： 2017年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 教師なし異常値検出は重要なタスクであり,広範囲な応用ドメインの大きな影響を,画像解析およびビデオ監視のような。も長年の留意点を実現するだけで複数の研究分野で広く研究されてきた。ネットワークと関連する利害関係者を保護するためにまたは臨界システムの信頼性を維持するために異常値できるだけ早くに対する作用の検出とした。しかし,異常値検出,特徴構築における1クラス性質と課題のために困難である。逐次異常検出は,データの時間的相関からより多くの課題だけでなく,雑音と高次元の存在下でも困難である。本論文では,挑戦的な逐次異常値検出問題を解くための新しい深い構造フレームワークを提案した。外れ値と正常インスタンス間の本質的な違いを捕捉し,以前の文脈を利用すると同様に学習者は時間軸に沿ってワープに対してよりロバストに学習できるリカレントニューラルネットワークモデルを統合するためのオートエンコーダモデルを使用した。さらに,層別訓練手順,訓練手順を著しく簡単化を用いることを提案し,効率的でスケーラブルな訓練を達成するのに役立つ。添加では,配列の時間的相関を組み込んだにより設定された全てのパラメータを更新するために微調整段階を調べた。は,著者らの提案したモデルを適用した五種の実世界ベンチマークデータセットに関する系統的な実験を行った。実験を行いその結果,提案モデルの有効性を実証し,他の最新技術手法と比較した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 簡素化 ,  信頼性 ,  *計算機アーキテクチャ ,  雑音 ,  ネットワーク ,  ロバスト性 ,  *異常値 ,  高次元 ,  層別 ,  画像分析
準シソーラス用語： 学習者 ,  異常検出 ,  利害関係者 ,  ビデオ監視 ,  *異常値検出 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： アーキテクチャ ,  教師 ,  逐次 ,  異常値検出