Fugu-MT 論文翻訳(概要): Isolation forests: looking beyond tree depth

論文の概要: Isolation forests: looking beyond tree depth

arxiv url: http://arxiv.org/abs/2111.11639v1
Date: Tue, 23 Nov 2021 04:04:31 GMT
ステータス: 処理完了
システム内更新日: 2021-11-24 14:13:27.828967
Title: Isolation forests: looking beyond tree depth
Title（参考訳）: 孤立林:樹木の奥深くを眺める
Authors: David Cortes
Abstract要約: 通常の観測に比べて、与えられた部分空間に1個だけ残すにはランダムなカットを少なくする。元々のアイデアは、分離に必要な木深さ(ランダムカット数)に基づいて、外れ値のスコアを提案した。ここでの実験は、取られた特徴空間の大きさとそれに割り当てられた点の数に関する情報を使用することで、多くの状況において改善結果が得られることを示している。
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: The isolation forest algorithm for outlier detection exploits a simple yet effective observation: if taking some multivariate data and making uniformly random cuts across the feature space recursively, it will take fewer such random cuts for an outlier to be left alone in a given subspace as compared to regular observations. The original idea proposed an outlier score based on the tree depth (number of random cuts) required for isolation, but experiments here show that using information about the size of the feature space taken and the number of points assigned to it can result in improved results in many situations without any modification to the tree structure, especially in the presence of categorical features.
Abstract（参考訳）: 外れ値検出のための分離森林アルゴリズムは、単純で効果的な観測を生かしている: 多重変量データを取得し、特徴空間を一様にランダムに切断すると、通常の観測に比べて、外れ値が与えられた部分空間に単独で残されるようなランダムなカットを少なくする。元のアイデアは、分離に必要な木深さ(ランダムカット数)に基づくアウトリースコアを提案したが、ここでの実験は、取られた特徴空間の大きさとそれに割り当てられた点の数に関する情報を使用することで、木構造、特に分類的特徴の存在下で、多くの状況において改善結果が得られることを示した。

関連論文リスト

Exploring space efficiency in a tree-based linear model for extreme multi-label classification [11.18858602369985]
Extreme Multi-label Classification (XMC) は、複数のラベルから関連するサブセットを特定することを目的としている。 XMCの様々なアプローチの中で、ツリーベースの線形モデルは効率と単純さの点で有効である。本研究では,その空間における理論的および実証的な解析を行い,疎データの仮定の下で木モデルを記憶する。
論文参考訳（メタデータ） (2024-10-12T15:02:40Z)
Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文参考訳（メタデータ） (2024-02-02T15:36:43Z)
Distribution and volume based scoring for Isolation Forests [0.0]
我々は,異常・異常検出のための孤立林法に2つの貢献をしている。 1つ目は、ランダムツリー推定器間でスコアを集約するために使用されるスコア関数を情報理論的に動機づけた一般化である。二つ目は、個別の樹木推定器のレベルでの代替スコアリング関数であり、孤立林の深度に基づくスコアリングを、孤立木の葉ノードに関連付けられたハイパーボリュームに基づくものに置き換える。
論文参考訳（メタデータ） (2023-09-20T16:27:10Z)
Deep Isolation Forest for Anomaly Detection [16.581154394513025]
孤立林(iForest)は近年、おそらく最も人気のある異常検知器として出現している。我々のモデルでは,データセット上での最先端の分離手法や深層検出器よりも大幅に改善されている。
論文参考訳（メタデータ） (2022-06-14T05:47:07Z)
Revisiting randomized choices in isolation forests [0.0]
アイフォレスト (iForest) またはアイフォレスト (iForest) は、異常検出のための直感的で広く使われているアルゴリズムである。本稿では,変数および/またはしきい値の非一様ランダムな選択を適用することにより,「クラスタ化」多様な外れ値の同定がより容易であることを示す。
論文参考訳（メタデータ） (2021-10-26T04:08:49Z)
Robustifying Algorithms of Learning Latent Trees with Vector Variables [92.18777020401484]
Recursive Grouping (RG) と Chow-Liu Recursive Grouping (CLRG) のサンプル複雑性について述べる。 RG,CLRG,Neighbor Joining (NJ) およびSpectral NJ (SNJ) をトラッピングした内積を用いて強化する。我々は、潜在木の構造学習において、最初の既知のインスタンス依存の不合理性の結果を導出する。
論文参考訳（メタデータ） (2021-06-02T01:37:52Z)
Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
論文参考訳（メタデータ） (2021-03-22T14:32:44Z)
Spectral Top-Down Recovery of Latent Tree Models [13.681975313065477]
スペクトルトップダウン・リカバリ (STDR) は、大きな潜在木モデルを推定するための分割・コンカレントアプローチである。 STDRの分割ステップは非ランダムです。代わりに、観測されたノードに関連する適切なラプラシア行列のFiedlerベクトルに基づいている。私達はSTDRが統計的に一貫性があることを証明し、高い確率で木を正確に回復するために必要なサンプルの数を縛ります。
論文参考訳（メタデータ） (2021-02-26T02:47:42Z)
Rethinking Learnable Tree Filter for Generic Feature Transform [71.77463476808585]
Learnable Tree Filterはセマンティックセグメンテーションのためのモデル構造保存関係に対する顕著なアプローチを示す。幾何学的制約を緩和するために,マルコフ確率場として再構成して解析を行い,学習可能な不定項を導入する。セマンティックセグメンテーションでは、ベルとホイッスルなしでCityscapesベンチマークでトップパフォーマンス(82.1% mIoU)を達成しています。
論文参考訳（メタデータ） (2020-12-07T07:16:47Z)
Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。そこで本研究では,NMS再サンプリング法を提案する。提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
論文参考訳（メタデータ） (2020-08-13T03:52:37Z)
Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。次に、効率的な手順で特徴写像を密に再構築する。提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。