異常値検出のアンサンブルによる軌跡データからの特異行動の発見

• Item type: SIG Technical Reports(1)
• 公開日: 2010-05-14
• タイトル: 異常値検出のアンサンブルによる軌跡データからの特異行動の発見
• タイトル / 言語: en
• タイトル: Discovery of Unusual Actions from Trajectory Data using Ensemble of Outlier Detection
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 群馬大学大学院工学研究科
• 著者所属: 群馬大学大学院工学研究科
• 著者所属: 群馬大学大学院工学研究科
• 著者所属: 群馬大学大学院工学研究科
• 著者所属: 九州大学大学院システム情報科学研究院
• 著者所属: 九州大学大学院システム情報科学研究院
• 著者所属(英): en
• 著者所属(英): Gunma University
• 著者所属(英): en
• 著者所属(英): Gunma University
• 著者所属(英): en
• 著者所属(英): Gunma University
• 著者所属(英): en
• 著者所属(英): Gunma University
• 著者所属(英): en
• 著者所属(英): Kyushu University
• 著者所属(英): en
• 著者所属(英): Kyushu University
• 著者名: 星野, 大祐; Theerasak, Thanomphongphan; 安藤, 晋; 関, 庸一; Swagat, Kumar; 鈴木, 英之進
• 著者名(英): Daisuke, Hoshino; Theerasak, Thanomphongphan; Shin, Ando; Youichi, Seki; Swagat, Kumar; Einoshin, Suzuki
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本研究では動画像から抽出された自律ロボットの軌跡データをもとに異常行動とみなせる部分系列を検出する問題に取り組んだ．従来の軌跡データマイニングでは軌跡を二次元空間の系列として扱うが，本研究では平均速度や回転速度等ロボットから主観的に計測できる物理量に変換した入力データとした．これにより動画像の撮影環境が異なる場合や画像中の異なる個所で起きる異常も統一的に扱うことが可能になるため，提案手法は設計者に提示する上でより直感的で制御プログラムの修正にも生かしやすい異常検出手法となっている．ただし，速度等の物理量の時系列は時間窓サイズのパラメータによってノイズの影響や検出できる行動が変化する．そこで，われわれは複数のパラメータで生成した部分系列集合に対して異常検出を行い，そのラベルをメタ特徴量とするクラスタリングにより異常行動を検出する手法を提案した．提案手法は，高い精度と感度で人が異常と判断した行動を検出した．教師付き学習との比較では，訓練データとして与えられる異常行動のサンプルが限定的である場合，より高い感度を実現した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We addressed the problem of detecting unusual behaviors from the trajectories of autonomously controlled robots. Subsequences of average velocities converted from the video trajectories were used as the input, in order to address behaviors which occur in different areas of image and in different length of time in a general. However, the selection of the preprocessing parameters: the window size and the subsequence length, and the frequency and the length of the behavioral pattern, influences the detection result with mutual dependence. In this paper, we identify clusters of abnormal subsequences using different preprocessing parameters and exploit the cluster labels as meta-features in an ensemble clustering method. Empirical result shows that the proposed method with can partition abnormal behaviors of the robots with high precision and recall. In comparison to a supervised learning method, the proposed method has the advantage when the number of labeled abnormal samples are limited, which suggests that the proposed method is advantageous is practical when difficult to obtain or expensive.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10505667
• 書誌情報: 研究報告数理モデル化と問題解決（MPS）; 巻 2010-MPS-78, 号 1, p. 1-7, 発行日 2010-05-14
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会