| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2015-12-04 15:15 時系列データにおける顕在的構造変化検知 ○春日瑛・大澤幸生（東大）・吉野貴晶・蘆田峻一（大和証券）  AI2015-21 |
|
| 抄録 | （和） | 近年，異常検知に関する技術がリスク回避やセキュリティ対策，行動分析などを目的として多方面での実務において着目されている．異常検知技術は，主に潜在変数を仮定した確率分布モデルの推定によって異常度を定義するのが一般的である．しかしながら，ビジネスの現場において入手可能なデータは不均一，不完全であることが多い．既存手法をこのようなデータに用いると，仮定した潜在変数モデルが複雑で解釈しにくくなり，実際の適用が難しい．本論文では，潜在変数を仮定せずとも幅広い多様なデータにおいて変化を検知することを可能にするために，多次元時系列データから顕在的な構造の変化を検知する手法を提案する． |
| （英） | In recent years, Anomaly Detection is noticed in order to prevent a risk, perform security system and analyze behaviors. It is common to define the anomaly values using the probabilistic distribution estimation wherein the latent variable is assumed in Anomaly Detection. However, the data we can obtain in business are often heterogeneous and deficient. If the exiting methods are applied to heterogeneous and deficient data, it is difficult to analyze these data accurately and make a decision because the latent variable models result in complicated. In this paper, we propose the method that can detect explicit structural changes from high dimensional data of time series with the aim of detecting changes without assuming the latent variables. | |
| キーワード | （和） | 変化点検知 / 時系列 / 顕在的変化 / チャンス発見 / Affinity Propagation / / / |
| （英） | Change-Point Detection / Time Series / Explicit Change / Chance Discovery / Affinity Propagation / / / | |
| 文献情報 | 信学技報, vol. 115, no. 337, AI2015-21, pp. 51-55, 2015年12月. | |
| 資料番号 | AI2015-21 | |
| 発行日 | 2015-11-27 (AI) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | AI2015-21 |
|
| 研究会情報 | |
| 研究会 | AI |
| 開催期間 | 2015-12-04 - 2015-12-04 |
| 開催地（和） | 九州工業大学サテライト福岡天神 |
| 開催地（英） | Kyutech-Salite |
| テーマ（和） | 「データ市場特集?：イノベーション資源としての論理とデータ」および一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | AI |
| 会議コード | 2015-12-AI |
| 本文の言語 | 日本語 |
| タイトル（和） | 時系列データにおける顕在的構造変化検知 |
| サブタイトル（和） | |
| タイトル（英） | Method for Detecting Explicit Structural Changes in Time Series Data |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 変化点検知 / Change-Point Detection |
| キーワード(2)（和/英） | 時系列 / Time Series |
| キーワード(3)（和/英） | 顕在的変化 / Explicit Change |
| キーワード(4)（和/英） | チャンス発見 / Chance Discovery |
| キーワード(5)（和/英） | Affinity Propagation / Affinity Propagation |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 春日 瑛 / Akira Kasuga / カスガ アキラ |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) University of Tokyo (略称： UTokyo) |
| 第2著者 氏名（和/英/ヨミ） | 大澤 幸生 / Yukio Ohsawa / オオサワ ユキオ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) University of Tokyo (略称： UTokyo) |
| 第3著者 氏名（和/英/ヨミ） | 吉野 貴晶 / Takaaki Yoshino / ヨシノ タカアキ |
| 第3著者 所属（和/英） | 大和証券株式会社 (略称： 大和証券) Daiwa Securities Co. Ltd. (略称： Daiwa Securities) |
| 第4著者 氏名（和/英/ヨミ） | 蘆田 峻一 / Shunichi Ashida / アシダ シュンイチ |
| 第4著者 所属（和/英） | 大和証券株式会社 (略称： 大和証券) Daiwa Securities Co. Ltd. (略称： Daiwa Securities) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2015-12-04 15:15:00 |
| 発表時間 | 20分 |
| 申込先研究会 | AI |
| 資料番号 | AI2015-21 |
| 巻番号（vol） | vol.115 |
| 号番号（no） | no.337 |
| ページ範囲 | pp.51-55 |
| ページ数 | 5 |
| 発行日 | 2015-11-27 (AI) |
[研究会発表申込システムのトップページに戻る]