論文の概要: COPOD: Copula-Based Outlier Detection

• arxiv url: http://arxiv.org/abs/2009.09463v1
• Date: Sun, 20 Sep 2020 16:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 12:42:14.909208
• Title: COPOD: Copula-Based Outlier Detection
• Title（参考訳）: copod: copulaベースの異常検出
• Authors: Zheng Li, Yue Zhao, Nicola Botta, Cezar Ionescu, Xiyang Hu
• Abstract要約: 外乱検出とは、一般的なデータ分布から逸脱した希少なアイテムを識別することを指す。 既存のアプローチは、高い計算複雑性、低い予測能力、限られた解釈可能性に悩まされている。 COPODと呼ばれる新しい異常検出アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.963284082401154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Outlier detection refers to the identification of rare items that are deviant from the general data distribution. Existing approaches suffer from high computational complexity, low predictive capability, and limited interpretability. As a remedy, we present a novel outlier detection algorithm called COPOD, which is inspired by copulas for modeling multivariate data distribution. COPOD first constructs an empirical copula, and then uses it to predict tail probabilities of each given data point to determine its level of "extremeness". Intuitively, we think of this as calculating an anomalous p-value. This makes COPOD both parameter-free, highly interpretable, and computationally efficient. In this work, we make three key contributions, 1) propose a novel, parameter-free outlier detection algorithm with both great performance and interpretability, 2) perform extensive experiments on 30 benchmark datasets to show that COPOD outperforms in most cases and is also one of the fastest algorithms, and 3) release an easy-to-use Python implementation for reproducibility.
• Abstract（参考訳）: 外乱検出は、一般的なデータ分布から逸脱した稀なアイテムの識別を指す。 既存のアプローチは高い計算複雑性、低い予測能力、限られた解釈可能性に苦しむ。 本稿では,多変量データ分散をモデル化するためのコプラに触発されたCOPODと呼ばれる新しい外乱検出アルゴリズムを提案する。 COPODはまず経験的なコプラを構築し、次に各データポイントのテール確率を予測してその「極度の」レベルを決定する。 直感的には、これを異常なp値の計算と考える。 これによりCOPODはパラメータフリー、高度に解釈可能、計算効率が良い。 この作品では3つの重要な貢献をします 1) 性能と解釈性の両方を有する新しいパラメータフリーな外乱検出アルゴリズムを提案する。 2)30のベンチマークデータセットで広範囲な実験を行い,copodがほとんどのケースで優れ,かつ最速のアルゴリズムであることを示す。 3) 再現性のために簡単に使えるpython実装をリリースする。

関連論文リスト

• Efficiency of Unsupervised Anomaly Detection Methods on Software Logs [0.0]
  本稿では,異常検出のための教師なしおよび時間効率の手法について検討する。 モデルは4つのパブリックデータセットで評価される。 単語表現付きOOV検出器は高速では最適である。精度では、OOV検出器とトリグラム表現を組み合わせると、AUC-ROC(0.846)の最高値が得られる。
  論文  参考訳（メタデータ） (2023-12-04T14:44:31Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• AnoRand: A Semi Supervised Deep Learning Anomaly Detection Method by Random Labeling [0.0]
  異常検出(英: Anomaly detection)またはより一般的には異常検出(英: outliers detection)は、理論的および応用機械学習において最も人気があり、課題の1つである。 我々は、ディープラーニングアーキテクチャとランダムな合成ラベル生成を組み合わせることで、textbfAnoRandと呼ばれる新しい半教師付き異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T10:53:34Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• ECOD: Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions [12.798256312657136]
  外乱検出(英: Outlier detection)とは、一般的なデータ分布から逸脱するデータ点の同定である。 本稿では,ECOD(Empirical-Cumulative-Distribution-based Outlier Detection)について述べる。
  論文  参考訳（メタデータ） (2022-01-02T17:28:35Z)
• Learnable Locality-Sensitive Hashing for Video Anomaly Detection [44.19433917039249]
  ビデオ異常検出(英語: Video Anomaly Detection, VAD)とは、通常サンプルのみが利用可能なトレーニングセットで発生していない異常事象を特定することを指す。 本稿では,すべての標準データを効率よく,かつ柔軟に活用するための,距離に基づく新しいVAD手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T15:25:45Z)
• Highly Parallel Autoregressive Entity Linking with Discriminative Correction [51.947280241185]
  自己回帰リンクを全ての潜在的な言及に対して並列化する,非常に効率的な手法を提案する。 我々のモデルは以前の生成法より70倍高速で精度が高い。
  論文  参考訳（メタデータ） (2021-09-08T17:28:26Z)
• An algorithm-based multiple detection influence measure for high dimensional regression using expectile [0.4999814847776096]
  本稿では,アルゴリズムに基づく多段階多重検出手法を提案する。 データ中の望ましくない変数を識別し、キャプチャする3ステップのアルゴリズムである$asymMIP,$は2つの相補的な統計に基づく。 自閉症脳画像データ交換データセットへの本手法の適用により,脳の成熟度をよりバランスよく正確に予測することができた。
  論文  参考訳（メタデータ） (2021-05-26T01:16:24Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)
• State Entropy Maximization with Random Encoders for Efficient Exploration [162.39202927681484]
  近年,深層補強学習(rl)におけるサンプル効率向上のための手法が提案されている。 本稿では,状態エントロピーを本質的な報酬として利用する探索手法であるRandoms for Efficient Exploration (RE3)を提案する。 特に、ランダムエンコーダを用いて、状態エントロピーを安定かつ計算効率の良い方法で推定できることが判明した。
  論文  参考訳（メタデータ） (2021-02-18T15:45:17Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。