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。
多変数ビッグ時系列を与えられた場合,それらが発生するとすぐに異常を検出することができる。多くの既存の研究は,再構成フレームワークにおいてどのくらいの時系列が離れているかを学習することによって異常を検出する。しかし,ほとんどのモデルは,最適化アルゴリズムがそのような長い系列を提供できないので,大きな時系列を小さな断片に経験的に切断しなければならない。質問を提起した:そのようなカットは,文章における不正確な中断のような固有の意味セグメントを汚染する。従って,再構成ベースの異常検出方法,MissGAN,反復学習を,粗いセグメントで自然に滑らかな時系列を解読し,符号化し,HMMに基づく低次元表現からより微細なセグメントを見つける。結果として,マルチスケールセグメントからの学習,MissGANは,敵対的正則化と余分な条件付き状態の助けを借りて,有意義でロバストな時系列を再構成できる。MissGANはラベルを要求せず,通常インスタンスのラベルのみを必要とし,広く応用できる。実際の水ネットワークセンサの工業データセットに関する実験は,著者らのMissGANがスケーラビリティを有するベースラインより優れていることを示した。さらに,CMU運動データセットに関する事例研究を用いて,提案モデルが与えられた条件付き運動から予想外のジェスチャを良好に識別できることを示した。【JST・京大機械翻訳】