Fugu-MT 論文翻訳(概要): Fluctuation-based Outlier Detection

論文の概要: Fluctuation-based Outlier Detection

arxiv url: http://arxiv.org/abs/2204.10007v1
Date: Thu, 21 Apr 2022 10:09:14 GMT
ステータス: 処理完了
システム内更新日: 2022-04-22 13:02:11.365276
Title: Fluctuation-based Outlier Detection
Title（参考訳）: ゆらぎに基づく外乱検出
Authors: Xusheng Du, Enguang Zuo, Zhenzhen He, Jiong Yu
Abstract要約: 外れ値 (outlier) は数が少なく、ほとんどのオブジェクトから逸脱するオブジェクトである。本稿では,変動型外乱検出法(FBOD)を提案する。 FBODは線形時間の複雑さが低く、変動の概念に基づいて純粋に外れ値を検出する。
参考スコア（独自算出の注目度）: 0.13764085113103217
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Outlier detection is an important topic in machine learning and has been used in a wide range of applications. Outliers are objects that are few in number and deviate from the majority of objects. As a result of these two properties, we show that outliers are susceptible to a mechanism called fluctuation. This article proposes a method called fluctuation-based outlier detection (FBOD) that achieves a low linear time complexity and detects outliers purely based on the concept of fluctuation without employing any distance, density or isolation measure. Fundamentally different from all existing methods. FBOD first converts the Euclidean structure datasets into graphs by using random links, then propagates the feature value according to the connection of the graph. Finally, by comparing the difference between the fluctuation of an object and its neighbors, FBOD determines the object with a larger difference as an outlier. The results of experiments comparing FBOD with seven state-of-the-art algorithms on eight real-world tabular datasets and three video datasets show that FBOD outperforms its competitors in the majority of cases and that FBOD has only 5% of the execution time of the fastest algorithm. The experiment codes are available at: https://github.com/FluctuationOD/Fluctuation-based-Outlier-Detection.
Abstract（参考訳）: 外乱検出は機械学習において重要なトピックであり、広範囲のアプリケーションで使われている。外れ値 (outlier) は数が少なく、ほとんどのオブジェクトから逸脱するオブジェクトである。これら2つの性質の結果として、外乱率は揺らぎと呼ばれるメカニズムの影響を受けやすいことを示す。本稿では,低線形時間複雑性を実現し,遠距離,密度,孤立測度を使わずにゆらぎの概念に基づく異常検出を行う,ゆらぎに基づく異常検出(fbod)手法を提案する。既存の方法と根本的に異なる。 FBODはまずランダムリンクを用いてユークリッド構造データセットをグラフに変換し、それからグラフの接続に応じて特徴値を伝搬する。最後に、オブジェクトと隣人のゆらぎの差を比較することで、FBODはオブジェクトがより大きい差を外れ値として決定する。 FBODを8つの実世界の表グラフデータセットと3つのビデオデータセットで7つの最先端アルゴリズムと比較した実験の結果、FBODはほとんどのケースでライバルより優れており、FBODは最速のアルゴリズムの実行時間の5%しか持たないことがわかった。実験コードは、https://github.com/fluctuationod/fluctuation-based-outlier-detectionで利用可能である。

関連論文リスト

Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文参考訳（メタデータ） (2024-07-10T18:00:54Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
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)
Are we really making much progress in unsupervised graph outlier detection? Revisiting the problem with new insight and superior method [36.72922385614812]
UNODは、グラフにおける典型的な2種類の外れ値(構造外値と文脈外値)の検出に重点を置いている。最も広く使われているアウトリー・インジェクションのアプローチは、深刻なデータ漏洩問題であることがわかった。本稿では,分散モデルと属性再構成モデルを組み合わせた分散グラフ外乱検出(VGOD)手法を提案する。
論文参考訳（メタデータ） (2022-10-24T04:09:35Z)
CRT-6D: Fast 6D Object Pose Estimation with Cascaded Refinement Transformers [51.142988196855484]
本稿では,CRT-6D(Cascaded Refinement Transformers)と呼ぶ新しい手法を提案する。一般的に使用される高密度中間表現を,Os(Object Keypoint Features)と呼ばれる機能ピラミッドからサンプリングされた,各要素がオブジェクトキーポイントに対応するスパースな機能セットに置き換える。一つのモデル上で最大21個のオブジェクトをサポートしながら,最も近いリアルタイム状態よりも2倍高速な推論を実現する。
論文参考訳（メタデータ） (2022-10-21T04:06:52Z)
Cadence: A Practical Time-series Partitioning Algorithm for Unlabeled IoT Sensor Streams [1.2330326247154968]
提案アルゴリズムは,異なるアプリケーションにわたる時系列イベントを頑健に検出できることを示す。環境検知に基づくアクティビティ認識のための実世界のIoTデプロイメントにおいて、その適用性を実証する。
論文参考訳（メタデータ） (2021-12-06T21:13:18Z)
Unsupervised Outlier Detection using Memory and Contrastive Learning [53.77693158251706]
特徴空間における外乱検出は,外乱検出から外乱検出までの特徴距離を測定することで行うことができると考えている。本稿では,メモリモジュールとコントラスト学習モジュールを用いたMCODフレームワークを提案する。提案したMCODは高い性能を達成し,9つの最先端手法より優れる。
論文参考訳（メタデータ） (2021-07-27T07:35:42Z)
Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
論文参考訳（メタデータ） (2020-12-23T15:23:16Z)
COPOD: Copula-Based Outlier Detection [7.963284082401154]
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。
論文参考訳（メタデータ） (2020-09-20T16:06:39Z)
Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文参考訳（メタデータ） (2020-07-17T15:41:37Z)
A Fourier Domain Feature Approach for Human Activity Recognition & Fall Detection [0.0]
本研究は、周波数領域フーリエ係数を用いて日常生活の人間の活動を識別する。メソッドの評価には、2つの異なる教師付き分類器kNNとSVMが使用される。標準精度(SA)、マクロ平均精度(MAA)、感度(SE)、特異性(SP)など、さまざまな標準指標が考慮されている。
論文参考訳（メタデータ） (2020-03-11T10:49:11Z)

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。