GADformer：一种用于轨迹上群体异常检测的透明 Transformer 模型
机器学习
2024-04-26 v2
摘要
群体异常检测(GAD)旨在识别群体中的异常模式，其中个体成员可能并非异常。该任务在多个学科中具有重要意义，其中诸如轨迹之类的序列也可被视为一个群体。随着群体在异质性和规模上日益多样，检测群体异常变得具有挑战性，尤其在无监督情况下。尽管循环神经网络是成熟的深度序列模型，其性能可能随序列长度增加而下降。因此，本文引入 GADformer，一种基于 BERT 的模型，用于在无监督与半监督设定下对轨迹进行注意力驱动的 GAD。我们展示了如何通过基于注意力的 GAD 检测群体异常。我们还引入块注意力异常分数(BAS)以通过对注意力模式打分来增强模型透明度。此外，合成轨迹生成支持多种消融研究。在大量实验中，我们针对相关工作在合成数据与三个真实世界数据集上，考察了本方法对轨迹噪声与新奇模式的鲁棒性。
引用
@article{arxiv.2303.09841,
title = {GADformer: A Transparent Transformer Model for Group Anomaly Detection on Trajectories},
author = {Andreas Lohrer and Darpan Malik and Claudius Zelenka and Peer Kröger},
journal= {arXiv preprint arXiv:2303.09841},
year = {2024}
}
备注
accepted at International Joint Conference on Neural Networks (IJCNN) 2024, Yokohama, Japan