面向人类语义轨迹的可迁移无监督异常检测框架
机器学习
2024-10-15 v2
摘要
语义轨迹通过文本信息（如行程目的或位置活动）丰富了时空数据，是识别对公共卫生、社会保障和城市规划至关重要的异常行为的关键。传统异常检测依赖于启发式规则，这需要领域知识且难以识别未出现的异常。此外，缺乏一种能够联合考虑时空和文本维度多模态数据的综合方法。针对此需求，我们提出了面向人类语义轨迹的可迁移异常检测框架（TOD4Traj）。TOD4Traj 首先引入一种模态特征统一模块，以对齐不同数据特征表示，实现多模态信息的集成并增强跨数据集的可迁移性。进一步提出了对比学习模块，用于在时序和跨人群两个维度识别常规移动模式，允许基于个体一致性和群体多数模式的联合异常检测。我们的实验结果表明，TOD4Traj 在各种数据集上优于现有模型，展示了其在检测人类轨迹异常方面的有效性和适应性。
引用
@article{arxiv.2410.00054,
title = {Transferable Unsupervised Outlier Detection Framework for Human Semantic Trajectories},
author = {Zheng Zhang and Hossein Amiri and Dazhou Yu and Yuntong Hu and Liang Zhao and Andreas Zufle},
journal= {arXiv preprint arXiv:2410.00054},
year = {2024}
}
备注
This is an accepted paper on https://sigspatial2024.sigspatial.org/accepted-papers/