不确定性感知的人类 mobility 模型与异常检测
人工智能
2025-05-07 v2 机器学习
摘要
给定来自大量人类代理的时序 GPS 坐标，我们如何能够在没有任何标记数据的情况下，对其 mobility 行为进行建模，以实现有效的异常（如恶意行为者）检测？人类 mobility 与轨迹建模已被广泛研究，展示了在处理复杂输入方面以及在性能与效率之间的权衡方面各异的能力。在本工作中，我们将对复杂人类行为的异常检测建模为从原始 GPS 数据中提取的停留点事件序列，每个事件由时空特征描述，以及在停留点之间的行程（即通勤）表示。我们的 problem 建模使我们能够利用现代序列模型进行无监督训练和异常检测。值得注意的是，我们提出的模型 USTAD（不确定性感知时空异常检测）配备了 aleatoric（即数据）不确定性估计，以 accounts for 某些个体行为中固有的随机性，以及 epistemic（即模型）不确定性以处理在各种人类行为下的数据稀疏性。由于 aleatoric 和 epistemic 不确定性的结合，为异常评分提供了稳健的损失函数以及不确定性感知的决策。广泛的实验表明，USTAD 在行业规模数据上相对于基线提高了 3%至 15% 的 AUCROC。
引用
@article{arxiv.2410.01281,
title = {Uncertainty-aware Human Mobility Modeling and Anomaly Detection},
author = {Haomin Wen and Shurui Cao and Zeeshan Rasheed and Khurram Hassan Shafique and Leman Akoglu},
journal= {arXiv preprint arXiv:2410.01281},
year = {2025}
}