論文の概要: A geometric perspective on functional outlier detection
- arxiv url: http://arxiv.org/abs/2109.06849v1
- Date: Tue, 14 Sep 2021 17:42:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 15:46:15.641765
- Title: A geometric perspective on functional outlier detection
- Title(参考訳): 機能外乱検出に関する幾何学的視点
- Authors: Moritz Herrmann and Fabian Scheipl
- Abstract要約: これまでに提案したよりも広く適用可能で現実的な機能外乱検出の概念を考案する。
本研究では,関数型データセットの幾何学的構造を確実に推論し,可視化するために,単純な多様体学習法が利用できることを示す。
合成および実データ集合に関する実験により、本手法は、少なくとも既存の関数型データ固有手法と同程度に、外乱検出性能をもたらすことを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider functional outlier detection from a geometric perspective,
specifically: for functional data sets drawn from a functional manifold which
is defined by the data's modes of variation in amplitude and phase. Based on
this manifold, we develop a conceptualization of functional outlier detection
that is more widely applicable and realistic than previously proposed. Our
theoretical and experimental analyses demonstrate several important advantages
of this perspective: It considerably improves theoretical understanding and
allows to describe and analyse complex functional outlier scenarios
consistently and in full generality, by differentiating between structurally
anomalous outlier data that are off-manifold and distributionally outlying data
that are on-manifold but at its margins. This improves practical feasibility of
functional outlier detection: We show that simple manifold learning methods can
be used to reliably infer and visualize the geometric structure of functional
data sets. We also show that standard outlier detection methods requiring
tabular data inputs can be applied to functional data very successfully by
simply using their vector-valued representations learned from manifold learning
methods as input features. Our experiments on synthetic and real data sets
demonstrate that this approach leads to outlier detection performances at least
on par with existing functional data-specific methods in a large variety of
settings, without the highly specialized, complex methodology and narrow domain
of application these methods often entail.
- Abstract(参考訳): 特に, 振幅と位相の変動モードによって定義される関数多様体から引き出された関数データセットについて, 幾何学的観点からの関数的外れ検出について考察する。
この多様体に基づいて,従来提案されていたよりも広く適用可能で現実的な機能外乱検出の概念を考案する。
理論的な理解を大幅に改善し、オフマニフォールドである構造的異常な異常データと、オンマニフォールドだがマージンにある分布的外れデータとを区別することで、複雑な機能的外れデータシナリオを一貫して、そして完全に汎用的に記述し分析することができる。
これにより、機能的外れ値検出の実用性が向上する: 単純な多様体学習法を用いて、機能的データセットの幾何学的構造を確実に推論し、視覚化することができる。
また,多様体学習法から学習したベクトル値表現を入力特徴として用いることで,表データ入力を必要とする標準外れ値検出手法を機能データに適用できることを示した。
合成および実データ集合に関する実験では、このアプローチが、高度に専門的で複雑な方法論と狭いアプリケーションドメインを伴わない、多種多様な設定において、既存の機能的データ固有メソッドと同等以上の異常検出性能をもたらすことが示されています。
関連論文リスト
- Prospector Heads: Generalized Feature Attribution for Large Models & Data [82.02696069543454]
本稿では,説明に基づく帰属手法の効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳(メタデータ) (2024-02-18T23:01:28Z) - Directed Cyclic Graph for Causal Discovery from Multivariate Functional
Data [15.26007975367927]
因果構造学習のための機能線形構造方程式モデルを提案する。
解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。
提案モデルが標準仮定の下で因果的同定可能であることを示す。
論文 参考訳(メタデータ) (2023-10-31T15:19:24Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳(メタデータ) (2023-06-07T21:35:26Z) - Offline Reinforcement Learning with Differentiable Function
Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。
微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。
最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文 参考訳(メタデータ) (2022-10-03T07:59:42Z) - A geometric framework for outlier detection in high-dimensional data [0.0]
異常検出はデータ分析において重要な課題である。
データセットのメトリック構造を利用するフレームワークを提供する。
この構造を利用することで,高次元データにおける外部観測の検出が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-07-01T12:07:51Z) - Functional Nonlinear Learning [0.0]
低次元特徴空間における多変量関数データを表現する機能非線形学習法(FunNoL)を提案する。
本研究では,FunNoLがデータ間隔によらず,良好な曲線分類と再構成を提供することを示す。
論文 参考訳(メタデータ) (2022-06-22T23:47:45Z) - A Functional Information Perspective on Model Interpretation [30.101107406343665]
この研究は、モデル解釈可能性の理論的な枠組みを示唆している。
機能的フィッシャー情報によって機能的エントロピーを束縛する対数ソボレフの不等式に依存している。
提案手法は,様々なデータ信号に対する既存の解釈可能性サンプリング手法を超越していることを示す。
論文 参考訳(メタデータ) (2022-06-12T09:24:45Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳(メタデータ) (2022-02-11T13:51:30Z) - Efficient Multidimensional Functional Data Analysis Using Marginal
Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。
本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。
我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文 参考訳(メタデータ) (2021-07-30T16:02:15Z) - Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。
主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
論文 参考訳(メタデータ) (2019-06-05T07:15:17Z)
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。