論文の概要: Interpretable Anomaly Detection with DIFFI: Depth-based Isolation Forest Feature Importance

• arxiv url: http://arxiv.org/abs/2007.11117v2
• Date: Tue, 13 Jul 2021 13:15:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 04:40:35.785767
• Title: Interpretable Anomaly Detection with DIFFI: Depth-based Isolation Forest Feature Importance
• Title（参考訳）: DIFFIによる解釈可能な異常検出:深さに基づく森林特性の重要性
• Authors: Mattia Carletti, Matteo Terzi, Gian Antonio Susto
• Abstract要約: 異常検出(英: Anomaly Detection)は、歴史的データに対する異常な振る舞いを検出することを目的とした教師なし学習課題である。 孤立林は、異常検出の分野で最も広く採用されているアルゴリズムの1つである。 本稿では,森林のグローバルレベルと地域レベルの両方で特徴重要度を定義する手法を提案する。
• 参考スコア（独自算出の注目度）: 4.769747792846005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly Detection is an unsupervised learning task aimed at detecting anomalous behaviours with respect to historical data. In particular, multivariate Anomaly Detection has an important role in many applications thanks to the capability of summarizing the status of a complex system or observed phenomenon with a single indicator (typically called `Anomaly Score') and thanks to the unsupervised nature of the task that does not require human tagging. The Isolation Forest is one of the most commonly adopted algorithms in the field of Anomaly Detection, due to its proven effectiveness and low computational complexity. A major problem affecting Isolation Forest is represented by the lack of interpretability, an effect of the inherent randomness governing the splits performed by the Isolation Trees, the building blocks of the Isolation Forest. In this paper we propose effective, yet computationally inexpensive, methods to define feature importance scores at both global and local level for the Isolation Forest. Moreover, we define a procedure to perform unsupervised feature selection for Anomaly Detection problems based on our interpretability method; such procedure also serves the purpose of tackling the challenging task of feature importance evaluation in unsupervised anomaly detection. We assess the performance on several synthetic and real-world datasets, including comparisons against state-of-the-art interpretability techniques, and make the code publicly available to enhance reproducibility and foster research in the field.
• Abstract（参考訳）: 異常検出は、履歴データに対する異常な振る舞いを検出することを目的とした教師なし学習課題である。 特に、多変量異常検出は、複雑なシステムの状態や観察された現象を単一の指標(通常「異常スコア」と呼ばれる)で要約し、人間のタグ付けを必要としないタスクの教師なしの性質のおかげで、多くのアプリケーションにおいて重要な役割を果たす。 アイソレーション・フォレストは、その有効性と計算量が低いため、異常検出の分野で最も一般的に採用されているアルゴリズムの1つである。 孤立林に影響を及ぼす主要な問題は、孤立林の建物ブロックである孤立樹が行う分割を管理する固有のランダム性の影響である、解釈可能性の欠如である。 本稿では,孤立林のグローバルレベルとローカルレベルの両方で特徴重要度スコアを定義するための有効だが計算量的に安価である手法を提案する。 さらに,本手法を用いて異常検出問題に対する教師なし特徴選択を行う手順を定義し,非教師なし異常検出における特徴重要度評価の課題に対処する目的も果たした。 我々は,人工的および実世界のデータセットにおける性能評価を行い,最先端の解釈技術との比較を行い,再現性を高めるためにコードを公開し,この分野の研究を促進させる。

関連論文リスト

• FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data [11.42231457116486]
  FedAD-Benchは、フェデレート学習の文脈における教師なし異常検出アルゴリズムを評価するためのベンチマークである。 モデル集約の非効率性やメトリクスの不確実性といった重要な課題を特定します。 本研究は,フェデレートされた異常検出における今後の研究・開発を導くための標準化されたベンチマークを確立することを目的としている。
  論文  参考訳（メタデータ） (2024-08-08T13:14:19Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Anomaly Detection Based on Isolation Mechanisms: A Survey [13.449446806837422]
  分離に基づく教師なし異常検出は、データの異常を識別するための新しく効果的なアプローチである。 本稿では,データ分割戦略,異常スコア関数,アルゴリズムの詳細など,最先端の分離に基づく異常検出手法について概説する。
  論文  参考訳（メタデータ） (2024-03-16T04:29:21Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• OptIForest: Optimal Isolation Forest for Anomaly Detection [19.38817835115542]
  孤立林のメカニズムに基づくカテゴリーは、その単純さ、有効性、効率性から際立っている。 本稿では,分離効率の理論を確立し,分離木に対する最適分岐係数を決定する。 理論的基盤に基づいて,クラスタリングに基づく学習をハッシュに組み込んだ,実用的な最適孤立林 OptIForest を設計する。
  論文  参考訳（メタデータ） (2023-06-22T07:14:02Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• TiWS-iForest: Isolation Forest in Weakly Supervised and Tiny ML scenarios [2.7285752469525315]
  アイソレーション・フォレスト(Isolation Forest)は、アイソレーション・ツリーと呼ばれる木々のアンサンブルを用いて、異常スコアを定義できる一般的なアルゴリズムである。 メモリ要件,レイテンシ,パフォーマンスの観点から,標準アルゴリズムが改良される可能性がある。 弱い監視を生かしたTiWS-iForestを提案することにより,森林分離の複雑さを低減し,検出性能を向上させることができる。
  論文  参考訳（メタデータ） (2021-11-30T14:24:27Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Unsupervised Neural Aspect Search with Related Terms Extraction [0.3670422696827526]
  本稿では,畳み込み型マルチアテンション機構を備えた新しい教師なしニューラルネットワークを提案する。 マルチアスペクト抽出の品質向上を目的とした特別な損失を適用した。
  論文  参考訳（メタデータ） (2020-05-06T12:39:45Z)

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。