文献

J-GLOBAL ID：201802214022735747   整理番号：18A2022913

Gaussグラフモデルのための対照的構造化異常検出【JST・京大機械翻訳】

Contrastive Structured Anomaly Detection for Gaussian Graphical Models

著者 (2件)： Maurya Abhinav (Carnegie Mellon University, Heinz College of Information Systems and Public Policy) ,  Cheung Mark (Carnegie Mellon University, Department of Electrical and Computer Engineering)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ASONAM  ページ： 736-739  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： Gaussグラフィカルモデル(GGMs)は,ソーシャルネットワーク,センサネットワーク,金融市場などの複雑なネットワーク化システムにおける変数間の条件依存性を分析するための確率的ツールであり,GGMの構造進化における変化点を見つけることは,GGMによってモデル化された基礎システムの異常を検出するために不可欠である。GGMの構造異常を検出するために,対応する多変量Gauss分布の精度行列の変化を推定する問題を考察した。この問題を解くための2段階アプローチを行った。1)異常のない過去からのシステム観測を用いた背景精度行列の推定,2)異常監視中のスライディング時間窓を用いた前景精度行列の推定。著者らの主要な貢献は,新しい逆共分散推定手順を用いて前景精度を推定することである。GGMへの構造変化のみを正確に学習するために,ペナルティが推定される前景精度と既に学習された背景精度の間の差のl_1ノルムであるペナルティを最大化した。疎逆共分散推定のための乗算器(ADMM)アルゴリズムの交互方向法を適切に修正し,前景精度行列のコントラスト推定を行った。シミュレーションされたGGMデータに関する著者らの結果は,非対照的スライディングウィンドウベースラインと比較して,GGMに対する構造変化を検出するための精度と再現性における有意な改善を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *構造形成 ,  モデリング ,  正規分布 ,  アルゴリズム ,  ノルム ,  コントラスト ,  再現性 ,  ペナルティ ,  センサネットワーク
準シソーラス用語： スライディングウィンドウ ,  共分散推定 ,  前景 ,  多変量 ,  社会的ネットワーク ,  信念ネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： グラフモデル ,  対照 ,  構造化 ,  異常検出