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
- ACE : Off-Policy Actor-Critic with Causality-Aware Entropy
Regularization [54.307506988310045]
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) - Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature
Representations [8.915958745269442]
異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。
ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。
本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
論文 参考訳(メタデータ) (2023-12-04T09:45:02Z) - Transcending Forgery Specificity with Latent Space Augmentation for
Generalizable Deepfake Detection [61.845902530915325]
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。
それは偽りの考えに基づいており、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) - ExIFFI and EIF+: Interpretability and Enhanced Generalizability to
Extend the Extended Isolation Forest [5.6148728159802035]
異常検出は、教師なしの機械学習タスクである。
一般化能力の向上を目的とした拡張隔離林(EIF)の拡張版であるEIF+を提案する。
また, ExIFFI は, 広葉樹林に解釈可能性, 特に特徴ランクを付与する新しいアプローチである。
論文 参考訳(メタデータ) (2023-10-09T07:24:04Z) - 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) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳(メタデータ) (2021-05-21T11:58:50Z) - 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。