論文の概要: Neighborhood Structure Assisted Non-negative Matrix Factorization and
its Application in Unsupervised Point-wise Anomaly Detection
- arxiv url: http://arxiv.org/abs/2001.06541v3
- Date: Fri, 5 Feb 2021 03:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 09:59:12.261660
- Title: Neighborhood Structure Assisted Non-negative Matrix Factorization and
its Application in Unsupervised Point-wise Anomaly Detection
- Title（参考訳）: 近傍構造支援非負行列分解とその教師なし点異常検出への応用
- Authors: Imtiaz Ahmed, Xia Ben Hu, Mithun P. Acharya and Yu Ding
- Abstract要約: そこで本研究では,NMFフレームワークに近傍構造情報を組み込むため,最小分散木を用いてデータをモデル化する。
得られた手法をNMFの近傍構造としてラベル付けする。
20のベンチマークデータセットと水力発電所から抽出された工業用データセットを用いた実証的な比較は、近隣構造がNMFを補助していることを示す。
- 参考スコア（独自算出の注目度）: 6.859284479314336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dimensionality reduction is considered as an important step for ensuring
competitive performance in unsupervised learning such as anomaly detection.
Non-negative matrix factorization (NMF) is a popular and widely used method to
accomplish this goal. But NMF do not have the provision to include the
neighborhood structure information and, as a result, may fail to provide
satisfactory performance in presence of nonlinear manifold structure. To
address that shortcoming, we propose to consider and incorporate the
neighborhood structural similarity information within the NMF framework by
modeling the data through a minimum spanning tree. We label the resulting
method as the neighborhood structure assisted NMF. We further devise both
offline and online algorithmic versions of the proposed method. Empirical
comparisons using twenty benchmark datasets as well as an industrial dataset
extracted from a hydropower plant demonstrate the superiority of the
neighborhood structure assisted NMF and support our claim of merit. Looking
closer into the formulation and properties of the neighborhood structure
assisted NMF with other recent, enhanced versions of NMF reveals that inclusion
of the neighborhood structure information using MST plays a key role in
attaining the enhanced performance in anomaly detection.
- Abstract（参考訳）: ディメンダリティの低減は,異常検出などの教師なし学習において,競争性能を確保する重要なステップであると考えられる。
非負行列分解 (NMF) はこの目的を達成するために広く用いられている手法である。
しかし、nmf は近傍構造情報を包含する条項を持たず、結果として、非線形多様体構造の存在下で十分な性能を提供できない可能性がある。
そこで本研究では,NMF フレームワーク内の近傍構造的類似性情報について,最小スパンニングツリーをモデルとして検討し,考察する。
得られた手法をNMFの近傍構造としてラベル付けする。
さらに,提案手法のオフライン版とオンライン版の両方を考案する。
20のベンチマークデータセットと水力発電所から抽出した産業用データセットを用いた実証的な比較は、NMFを補助する近隣構造の優越性を実証し、我々の価値の主張を支持する。
近年のNMFの強化版とNMFによる周辺構造情報の定式化と特性を詳しく調べると,MSTを用いた周辺構造情報の包含が異常検出における性能向上に重要な役割を担っていることが分かる。
関連論文リスト
- Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - Nonnegative Matrix Factorization in Dimensionality Reduction: A Survey [45.06188379747932]
次元性低減は、特徴学習の精度を改善し、トレーニング時間を短縮する上で重要な役割を果たす。
非負行列因子化 (NMF) は次元減少のための人気かつ強力な方法として浮上している。
本稿では,NMFの総合的な調査を行い,特徴抽出と特徴選択の両分野への応用に焦点をあてる。
論文 参考訳（メタデータ） (2024-05-06T16:32:01Z) - Graph Regularized NMF with L20-norm for Unsupervised Feature Learning [6.894518335015327]
グラフ正規化非負行列因子化(GNMF)は、グラフ正規化制約を組み込んだNMFの拡張である。
本稿では,GNMFに基づく教師なし機能学習フレームワークを提案し,PALMに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-16T12:10:01Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Efficient Multi-View Graph Clustering with Local and Global Structure
Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。
具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。
さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文 参考訳（メタデータ） (2023-08-31T12:12:30Z) - Supervised Class-pairwise NMF for Data Representation and Classification [2.7320863258816512]
非負行列分解(NMF)に基づく手法は、特定のタスクにモデルを適応させるためにコスト関数に新しい用語を追加する。
NMF法は、因子化行列を推定するための教師なしアプローチを採用する。
論文 参考訳（メタデータ） (2022-09-28T04:33:03Z) - Finding Rule-Interpretable Non-Negative Data Representation [2.817412580574242]
ルールベース記述と部分ベース表現の利点を融合したNMF方式を提案する。
提案手法は、集中型埋め込みや教師付きマルチラベルNMFの実行といったタスクにおいて、多くの利点を提供する。
論文 参考訳（メタデータ） (2022-06-03T10:20:46Z) - Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A
Comprehensive Review [25.50091058791411]
ハイパースペクトルアンミックスは、ハイパースペクトル画像から、一組のエンドメンバーとその対応する存在量を推定する。
非負行列分解(NMF)は、この問題の解決にますます重要な役割を果たす。
HSIの主特性を利用してNMFを改善する方法について述べる。
論文 参考訳（メタデータ） (2022-05-20T02:48:43Z) - Log-based Sparse Nonnegative Matrix Factorization for Data
Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。
そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。
提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文 参考訳（メタデータ） (2022-04-22T11:38:10Z) - Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。
提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2022-02-09T19:01:33Z) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳（メタデータ） (2020-05-19T05:54:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。