CausalTAD：基于因果隐式生成模型的无偏在线轨迹异常检测
机器学习
2024-12-30 v1
摘要
轨迹异常检测旨在给定源-目的地(SD)对，估计轨迹的异常风险，已成为许多实际应用中的关键问题。现有方法直接训练用于观察轨迹的生成模型，并计算条件生成概率 作为异常风险，其中 和 分别代表轨迹和 SD 对。然而，我们认为观察到的轨迹受道路网络偏好所 confounding，这是 SD 分布和轨迹的共同原因。现有方法忽略了这一问题，限制了其在分布外轨迹上的泛化能力。在本文中，我们定义了去偏轨迹异常检测问题，并提出一种因果隐式生成模型，称为 CausalTAD，以解决该问题。CausalTAD 采用 do 微积分消除道路网络偏好的 confounding 偏差，并估计 作为异常准则。大量实验表明，CausalTAD 不仅在训练轨迹上实现了优异性能，而且在分布外数据上的性能提升显著，分别提升了 和 。
引用
@article{arxiv.2412.18820,
title = {CausalTAD: Causal Implicit Generative Model for Debiased Online Trajectory Anomaly Detection},
author = {Wenbin Li and Di Yao and Chang Gong and Xiaokai Chu and Quanliang Jing and Xiaolei Zhou and Yuxuan Zhang and Yunxia Fan and Jingping Bi},
journal= {arXiv preprint arXiv:2412.18820},
year = {2024}
}
备注
Accepted by ICDE 2024