論文の概要: Semi-Supervised Anomaly Detection Based on Quadratic Multiform Separation

• arxiv url: http://arxiv.org/abs/2208.08265v1
• Date: Wed, 17 Aug 2022 12:49:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:29:48.050511
• Title: Semi-Supervised Anomaly Detection Based on Quadratic Multiform Separation
• Title（参考訳）: 二次多形分離に基づく半教師付き異常検出
• Authors: Ko-Hui Michael Fan and Chih-Chung Chang and Kuang-Hsiao-Yin Kongguoluo
• Abstract要約: 我々の手法はQMS22と命名され、2022年に2次多重形式分離(QMS)の枠組みに基づいて開始された。 QMS22は、トレーニングセットと元の問題のテストセットの両方を含む多クラス分類問題を解くことで、SSADに取り組む。 受信機動作特性曲線の曲線下の領域を性能指標とし、QMS22はISOFとocSVMを大きく上回ることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper we propose a novel method for semi-supervised anomaly detection (SSAD). Our classifier is named QMS22 as its inception was dated 2022 upon the framework of quadratic multiform separation (QMS), a recently introduced classification model. QMS22 tackles SSAD by solving a multi-class classification problem involving both the training set and the test set of the original problem. The classification problem intentionally includes classes with overlapping samples. One of the classes contains mixture of normal samples and outliers, and all other classes contain only normal samples. An outlier score is then calculated for every sample in the test set using the outcome of the classification problem. We also include performance evaluation of QMS22 against top performing classifiers using ninety-five benchmark imbalanced datasets from the KEEL repository. These classifiers are BRM (Bagging-Random Miner), OCKRA (One-Class K-means with Randomly-projected features Algorithm), ISOF (Isolation Forest), and ocSVM (One-Class Support Vector Machine). It is shown by using the area under the curve of the receiver operating characteristic curve as the performance measure, QMS22 significantly outperforms ISOF and ocSVM. Moreover, the Wilcoxon signed-rank tests reveal that there is no statistically significant difference when testing QMS22 against BRM nor QMS22 against OCKRA.
• Abstract（参考訳）: 本稿では,半教師付き異常検出(SSAD)のための新しい手法を提案する。 我々の分類器は、最近導入された分類モデルである2次多重形式分離(QMS)の枠組みに基づいて、2022年に制定されたQMS22と命名されている。 QMS22は、トレーニングセットと元の問題のテストセットの両方を含む多クラス分類問題を解くことで、SSADに取り組む。 分類問題は意図的に重複したサンプルを持つクラスを含む。 クラスのうちの1つは通常のサンプルと外れ値の混合を含み、他のすべてのクラスは通常のサンプルのみを含む。 そして、分類問題の結果を用いて、テストセットの各サンプルに対して、外れ値を算出する。 また,KEELレポジトリの905ベンチマーク不均衡データセットを用いて,トップパフォーマンス分類器に対するQMS22の性能評価を行った。 BRM (Bagging-Random Miner)、OCKRA (One-class K-means with Randomly-Projected features Algorithm)、ISOF (Isolation Forest)、OCSVM (One-class Support Vector Machine)である。 qms22 は isof と ocsvm を大きく上回る性能指標として、受信者の特性曲線の曲線の下の領域を使用することで示される。 さらに、ウィルコクソンのサインランク試験では、BRMに対するQMS22のテストやOCKRAに対するQMS22のテストでは統計的に有意な差はないことが明らかになった。

関連論文リスト

• iBRF: Improved Balanced Random Forest Classifier [0.0]
  クラス不均衡は、異なる分類タスクにおいて大きな課題となる。 本稿では,予測性能を高めるために,バランスドランダムフォレスト(BRF)分類器の修正を提案する。 筆者らが提案するハイブリッドサンプリング手法は,ランダムフォレスト分類器のフレームワークに組み込むと,不均衡な分類タスクに使用される他のサンプリング手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2024-03-14T20:59:36Z)
• Kernel-Based Tests for Likelihood-Free Hypothesis Testing [21.143798051525646]
  2つのバランスの取れたクラスから$n$の観測が与えられたとき、追加の$m$入力をラベル付けするタスクを考える。 この問題の特別なケースはよく知られており、$m=1$はバイナリ分類に対応し、$mapprox n$は2サンプルテストに相当する。 最近の研究で、$m$と$n$の間に根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2023-08-17T15:24:03Z)
• Class Prototype-based Cleaner for Label Noise Learning [73.007001454085]
  半教師付き学習法は、雑音ラベル学習問題に対する現在のSOTAソリューションである。 textbfClass textbfPrototype-based label textbfCleaner。
  論文  参考訳（メタデータ） (2022-12-21T04:56:41Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• One-Class Risk Estimation for One-Class Hyperspectral Image Classification [8.206701378422968]
  ハイパースペクトル画像(HSI)の1クラス分類は、HSIから単一のターゲットクラスを特定することを目的としている。 深層学習に基づく手法は,HSIマルチクラス化における分散重複を克服するために現在主流である。 本稿では、弱い教師付き深いHSI一級分類であるHOneClsを提案する。
  論文  参考訳（メタデータ） (2022-10-27T14:15:13Z)
• Centrality and Consistency: Two-Stage Clean Samples Identification for Learning with Instance-Dependent Noisy Labels [87.48541631675889]
  本稿では,2段階のクリーンサンプル識別手法を提案する。 まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。 次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T04:54:57Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Uncertainty quantification for multiclass data description [0.1611401281366893]
  カーネル・マハラノビス距離(MDD-KM)に基づくマルチクラスデータ記述モデルを提案する。 我々はMDD-KMを成分とする階層線形力学系に基づく原型分類システムについて報告する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:04Z)
• Cautious Active Clustering [79.23797234241471]
  ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。 我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
  論文  参考訳（メタデータ） (2020-08-03T23:47:31Z)

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。

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。