抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
異常時系列の検出は,科学的,医療的および産業的タスクにとって重要であるが,その固有の教師なし特性のために困難である。近年,深層ニューラルネットワークを用いて,ますます複雑な特徴の学習により,このタスクに関する進展がなされてきた。本研究では,分布距離測度と組み合わせた場合,浅い特徴サフスを主張する。本手法は,各タイムポイントが単一サンプルを構成する特徴の高次元経験的分布として各時系列をモデル化する。テスト時系列と通常の訓練セット間の距離のモデリングは,多変量確率分布間の距離を効率的に測定する必要がある。累積Radon特徴を用いて各時系列をパラメータ化することにより,正常時系列の分布を効率的にモデル化できることを示した。理論的に接地されたが単純な実装アプローチを多重データセット上で評価し,確立された古典的方法および複雑な最先端の深層学習法よりも良い結果を達成することを示した。コードを提供した。【JST・京大機械翻訳】