論文の概要: A Typology of Data Anomalies

• arxiv url: http://arxiv.org/abs/2107.01615v1
• Date: Sun, 4 Jul 2021 13:12:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 15:10:09.729366
• Title: A Typology of Data Anomalies
• Title（参考訳）: データ異常の類型論
• Authors: Ralph Foorthuis
• Abstract要約: 異常は何らかの特異なケースであり、データセットに存在する一般的なパターンに適合しないように見える。 本稿では,データセット内の異なる種類の異常を明確かつ具体的に定義する,異常の一般的な型について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomalies are cases that are in some way unusual and do not appear to fit the general patterns present in the dataset. Several conceptualizations exist to distinguish between different types of anomalies. However, these are either too specific to be generally applicable or so abstract that they neither provide concrete insight into the nature of anomaly types nor facilitate the functional evaluation of anomaly detection algorithms. With the recent criticism on 'black box' algorithms and analytics it has become clear that this is an undesirable situation. This paper therefore introduces a general typology of anomalies that offers a clear and tangible definition of the different types of anomalies in datasets. The typology also facilitates the evaluation of the functional capabilities of anomaly detection algorithms and as a framework assists in analyzing the conceptual levels of data, patterns and anomalies. Finally, it serves as an analytical tool for studying anomaly types from other typologies.
• Abstract（参考訳）: 異常は何らかの特異なケースであり、データセットに存在する一般的なパターンに適合しないように見える。 異なる種類の異常を区別するためにいくつかの概念化が存在する。 しかし、これらは一般に適用するには具体的すぎるか、あるいは抽象的すぎるため、異常型の性質に関する具体的な洞察を与えたり、異常検出アルゴリズムの機能評価を容易にすることはない。 最近の'ブラックボックス'のアルゴリズムと分析に対する批判から、これは望ましくない状況であることが明らかになった。 そこで本稿では,データセットの異なる種類の異常を明確かつ具体的に定義する,異常の一般的な類型論を紹介する。 このタイポロジーはまた、異常検出アルゴリズムの機能的能力の評価を促進し、フレームワークは、データ、パターン、異常の概念的レベルを分析するのに役立つ。 最後に、他の類型から異常型を研究する分析ツールとして機能する。

関連論文リスト

• Reimagining Anomalies: What If Anomalies Were Normal? [21.480869966442143]
  本稿では,各異常に対して複数の逆実例を生成する新しい説明法を提案する。 逆の例は、異常検知器によって正常と見なされる異常の修正である。 この手法は、異常検知を起動するメカニズムの高レベルなセマンティックな説明を提供し、ユーザーは「何のシナリオ」を探索できる。
  論文  参考訳（メタデータ） (2024-02-22T11:56:44Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• A Taxonomy of Anomalies in Log Data [0.09558392439655014]
  異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。 本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。 以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
  論文  参考訳（メタデータ） (2021-11-26T12:23:06Z)
• Variation and generality in encoding of syntactic anomaly information in sentence embeddings [7.132368785057315]
  文中の異常が発生する階層レベルが異なる探索タスクを設計することにより、異常符号化の微妙な相違について検討する。 我々は、与えられた異常を検出するモデルだけでなく、検出された異常信号の一般性もテストする。 その結果、全てのモデルが異常検出をサポートする情報を符号化しているが、検出性能は異常毎に異なることが示唆された。
  論文  参考訳（メタデータ） (2021-11-12T10:23:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• On the Nature and Types of Anomalies: A Review of Deviations in Data [0.0]
  この研究は、データ異常の最初の理論的原理とドメインに依存しないタイプポロジーを提供する。 異常の概念とその表現を具体的に定義するために、タイプロジーは5次元を使用する。 これらの基本次元とデータ中心次元は自然に3つの広い群、9つの基本タイプ、63の異常のサブタイプをもたらす。
  論文  参考訳（メタデータ） (2020-07-30T17:55:11Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。