論文の概要: Anomaly detection using data depth: multivariate case

• arxiv url: http://arxiv.org/abs/2210.02851v1
• Date: Thu, 6 Oct 2022 12:14:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 15:59:56.898077
• Title: Anomaly detection using data depth: multivariate case
• Title（参考訳）: データ深度を用いた異常検出:多変量の場合
• Authors: Pavlo Mozharovskyi
• Abstract要約: 異常検出は機械学習とデータ分析の一分野である。 データ深度(Data depth)は、データセットへの空間の任意の点の帰属度を測定する統計関数である。 本稿では,データ深度を効率的な異常検出ツールとして検討する。
• 参考スコア（独自算出の注目度）: 1.1802674324027231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is a branch of machine learning and data analysis which aims at identifying observations that exhibit abnormal behaviour. Be it measurement errors, disease development, severe weather, production quality default(s) (items) or failed equipment, financial frauds or crisis events, their on-time identification, isolation and explanation constitute an important task in almost any branch of industry and science. By providing a robust ordering, data depth -- statistical function that measures belongingness of any point of the space to a data set -- becomes a particularly useful tool for detection of anomalies. Already known for its theoretical properties, data depth has undergone substantial computational developments in the last decade and particularly recent years, which has made it applicable for contemporary-sized problems of data analysis and machine learning. In this article, data depth is studied as an efficient anomaly detection tool, assigning abnormality labels to observations with lower depth values, in a multivariate setting. Practical questions of necessity and reasonability of invariances and shape of the depth function, its robustness and computational complexity, choice of the threshold are discussed. Illustrations include use-cases that underline advantageous behaviour of data depth in various settings.
• Abstract（参考訳）: 異常検出は、異常な振る舞いを示す観察を識別することを目的とした、機械学習とデータ分析の分野である。 測定エラー、病気発生、厳しい天候、生産品質のデフォルト(item)、または故障した機器、金融詐欺または危機事象であれば、そのオンタイム識別、隔離および説明は、ほとんどあらゆる産業および科学分野において重要なタスクとなる。 堅牢な順序付けを提供することにより、データセットに対する空間の任意の点の属性を測定する統計的関数は、異常の検出に特に有用なツールとなる。 その理論的性質で知られているように、データ深度は過去10年、特に近年でかなりの計算発展を遂げており、現代のデータ分析や機械学習の課題に適用できるようになっている。 本稿では,データ深度を効率的な異常検出ツールとして検討し,多変量設定において,低い深度値の観測に異常ラベルを割り当てる。 不変性の必要性と推論可能性、深さ関数の形状、ロバスト性、計算複雑性、しきい値の選択に関する実践的な疑問について論じる。 イラストには、さまざまな設定でデータ深度の有利な振る舞いを示すユースケースが含まれている。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Anomaly Detection Based on Isolation Mechanisms: A Survey [13.449446806837422]
  分離に基づく教師なし異常検出は、データの異常を識別するための新しく効果的なアプローチである。 本稿では,データ分割戦略,異常スコア関数,アルゴリズムの詳細など,最先端の分離に基づく異常検出手法について概説する。
  論文  参考訳（メタデータ） (2024-03-16T04:29:21Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• WePaMaDM-Outlier Detection: Weighted Outlier Detection using Pattern Approaches for Mass Data Mining [0.6754597324022876]
  外乱検出は、システム障害、不正行為、およびデータ内のパターンに関する重要な情報を明らかにすることができる。 本稿では、異なる質量データマイニング領域を持つWePaMaDM-Outlier Detectionを提案する。 また, 監視, 故障検出, 傾向解析において, 異常検出技術におけるデータモデリングの重要性についても検討した。
  論文  参考訳（メタデータ） (2023-06-09T07:00:00Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Architectural Optimization and Feature Learning for High-Dimensional Time Series Datasets [0.7388859384645262]
  重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。 従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
  論文  参考訳（メタデータ） (2022-02-27T23:41:23Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)
• Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
  異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。 データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。 本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
  論文  参考訳（メタデータ） (2020-10-27T09:56:16Z)

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。