NUMOSIM：带有异常检测基准的合成移动数据集
机器学习
2024-09-09 v2
摘要
收集真实世界的移动数据具有挑战性，往往伴随着隐私问题、后勤困难和固有偏差。此外，在大规模数据中准确标注异常几乎是不可能的，因为这需要耗费大量精力来区分细微且复杂的模式。这些挑战严重阻碍了地理空间异常检测研究的进展，限制了可靠数据的获取，并使方法的严格评估、比较和基准测试变得复杂。为了解决这些局限性，我们引入了一个合成移动数据集 NUMOSIM，它为异常检测技术的基准测试提供了一个受控、合乎伦理且多样化的环境。NUMOSIM 模拟了各种真实的移动场景，涵盖了典型和异常行为，这些行为是通过在真实移动数据上训练的先进深度学习模型生成的。这种方法使 NUMOSIM 能够准确复制真实世界移动模式的复杂性，同时策略性地注入异常，以根据检测算法捕捉人口统计、地理空间和时间因素之间相互作用的有效性来挑战和评估它们。我们的目标是通过提供一个改进异常检测和移动建模技术的现实基准，来推进地理空间移动分析。为了支持这一点，我们开放访问 NUMOSIM 数据集，以及全面的文档、评估指标和基准测试结果。
引用
@article{arxiv.2409.03024,
title = {NUMOSIM: A Synthetic Mobility Dataset with Anomaly Detection Benchmarks},
author = {Chris Stanford and Suman Adari and Xishun Liao and Yueshuai He and Qinhua Jiang and Chenchen Kuai and Jiaqi Ma and Emmanuel Tung and Yinlong Qian and Lingyi Zhao and Zihao Zhou and Zeeshan Rasheed and Khurram Shafique},
journal= {arXiv preprint arXiv:2409.03024},
year = {2024}
}