論文の概要: Random Subspace Mixture Models for Interpretable Anomaly Detection

• arxiv url: http://arxiv.org/abs/2108.06283v1
• Date: Fri, 13 Aug 2021 15:12:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-16 13:16:35.358331
• Title: Random Subspace Mixture Models for Interpretable Anomaly Detection
• Title（参考訳）: 解釈可能な異常検出のためのランダム部分空間混合モデル
• Authors: Cetin Savkli, Catherine Schwartz
• Abstract要約: 本研究では,高次元データに対する確率モデルを構築するための部分空間に基づく新しい手法を提案する。 提案アルゴリズムは、ベンチマーク異常検出データセットに対する顕著なアルゴリズムと比較して、競合するAUCスコアを得る。
• 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: We present a new subspace-based method to construct probabilistic models for high-dimensional data and highlight its use in anomaly detection. The approach is based on a statistical estimation of probability density using densities of random subspaces combined with geometric averaging. In selecting random subspaces, equal representation of each attribute is used to ensure correct statistical limits. Gaussian mixture models (GMMs) are used to create the probability densities for each subspace with techniques included to mitigate singularities allowing for the ability to handle both numerical and categorial attributes. The number of components for each GMM is determined automatically through Bayesian information criterion to prevent overfitting. The proposed algorithm attains competitive AUC scores compared with prominent algorithms against benchmark anomaly detection datasets with the added benefits of being simple, scalable, and interpretable.
• Abstract（参考訳）: 本稿では,高次元データに対する確率モデルを構築するサブスペースに基づく新しい手法を提案する。 この手法は、ランダム部分空間の密度と幾何平均化を組み合わせた確率密度の統計的推定に基づく。 ランダムな部分空間を選択する際、各属性の等式は正しい統計的制限を保証するために用いられる。 ガウス混合モデル(gmms)は、数的属性とカテゴリ的属性の両方を扱うことができる特異点を緩和する技法を含む各部分空間の確率密度を作成するために用いられる。 各GMMの成分数はベイズ情報基準によって自動的に決定され、過度な適合を防止する。 提案するアルゴリズムは,ベンチマーク異常検出データセットに対する著名なアルゴリズムと比較して,単純でスケーラブルで解釈しやすいという利点がある。

関連論文リスト

• Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach [0.9217021281095907]
  異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。 誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-03T06:13:22Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Subspace clustering in high-dimensions: Phase transitions \& Statistical-to-Computational gap [24.073221004661427]
  部分空間クラスタリングを研究するための単純なモデルは、高次元の$k$-ガウス混合モデルである。 広帯域な高次元状態における統計的に最適な再構成誤差を正確に評価する。
  論文  参考訳（メタデータ） (2022-05-26T17:47:35Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Probabilistic spatial clustering based on the Self Discipline Learning (SDL) model of autonomous learning [1.9322517897534983]
  教師なしクラスタリングアルゴリズムは、高次元のラベルなしデータの次元を効果的に削減することができる。 従来のクラスタリングアルゴリズムでは、事前にカテゴリの上限を設定する必要がある。 自己離散学習(SDL)モデルに基づく確率空間クラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-07T17:18:57Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Categorical anomaly detection in heterogeneous data using minimum description length clustering [3.871148938060281]
  異種データを扱うため,MPLに基づく異常検出モデルの拡張のためのメタアルゴリズムを提案する。 実験の結果, 離散混合モデルを用いることで, 従来の2つの異常検出アルゴリズムと比較して, 競合性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-06-14T14:48:37Z)
• Robust M-Estimation Based Bayesian Cluster Enumeration for Real Elliptically Symmetric Distributions [5.137336092866906]
  データセットにおける最適なクラスタ数のロバストな決定は、広範囲のアプリケーションにおいて必須の要素である。 本稿では任意のReally Symmetric(RES)分散混合モデルで使用できるように一般化する。 サンプルサイズが有限であるデータセットに対して,ロバストな基準を導出するとともに,大規模なサンプルサイズでの計算コスト削減のための近似を提供する。
  論文  参考訳（メタデータ） (2020-05-04T11:44:49Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Distributed, partially collapsed MCMC for Bayesian Nonparametrics [68.5279360794418]
  ディリクレ法やベータ・ベルヌーリ法のようなモデルでよく用いられる完全無作為測度は独立な部分測度に分解可能であるという事実を利用する。 この分解を用いて、潜在測度を、インスタンス化された成分のみを含む有限測度と、他のすべての成分を含む無限測度に分割する。 得られたハイブリッドアルゴリズムは、収束保証を犠牲にすることなくスケーラブルな推論を可能にすることができる。
  論文  参考訳（メタデータ） (2020-01-15T23:10:13Z)

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。