回归贝叶斯：集成统计与神经框架探索人类移动分布与异常

现有方法在面对实际移动数据的复杂性、异构性和高维度时，往往难以提供有效的异常检测。本文提出 DeepBayesic，一种新型框架，将贝叶斯原理与深度神经网络集成，用于从稀疏且复杂的数据集中建模底层的多变量分布。不同于传统模型，DeepBayesic 旨在管理异构输入，能够容纳连续型和分类型数据，从而提供对移动模式的更全面理解。该框架特色化的神经密度估计器和混合架构，允许根据不同特征分布的灵活建模，并可使用专为不同数据类型定制的神经网络。我们的 approach 还利用 agent embeddings 实现个性化异常检测，增强其区分正常与异常行为的能力。我们在几个移动数据集上评估了该方法，证明其在状态-of-the-art 异常检测方法方面具有显著优势。我们的结果表明，融合个性化和先进的序列建模技术，可显著提升对空间时间事件序列中细微且复杂异常的检测能力。