論文の概要: CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD
- arxiv url: http://arxiv.org/abs/2211.13314v1
- Date: Wed, 23 Nov 2022 21:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 17:29:50.943018
- Title: CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD
- Title(参考訳): CoMadOut - CoMADに基づくロバストな外乱検出アルゴリズム
- Authors: Andreas Lohrer, Daniyal Kazempour, Maximilian H\"unem\"order, Peer
Kr\"oger
- Abstract要約: 与えられたデータセット上の機械学習アルゴリズムの予測を歪める可能性があるため、アウトレーヤは重要な役割を果たす。
この問題に対処するために,ロバストな外乱検出アルゴリズムCoMadOutを提案する。
われわれの手法は、外乱検出タスクの堅牢な代替手段と見なすことができる。
- 参考スコア(独自算出の注目度): 0.3823356975862006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised learning methods are well established in the area of anomaly
detection and achieve state of the art performances on outlier data sets.
Outliers play a significant role, since they bear the potential to distort the
predictions of a machine learning algorithm on a given data set. Especially
among PCA-based methods, outliers have an additional destructive potential
regarding the result: they may not only distort the orientation and translation
of the principal components, they also make it more complicated to detect
outliers. To address this problem, we propose the robust outlier detection
algorithm CoMadOut, which satisfies two required properties: (1) being robust
towards outliers and (2) detecting them. Our outlier detection method using
coMAD-PCA defines dependent on its variant an inlier region with a robust noise
margin by measures of in-distribution (ID) and out-of-distribution (OOD). These
measures allow distribution based outlier scoring for each principal component,
and thus, for an appropriate alignment of the decision boundary between normal
and abnormal instances. Experiments comparing CoMadOut with traditional, deep
and other comparable robust outlier detection methods showed that the
performance of the introduced CoMadOut approach is competitive to well
established methods related to average precision (AP), recall and area under
the receiver operating characteristic (AUROC) curve. In summary our approach
can be seen as a robust alternative for outlier detection tasks.
- Abstract(参考訳): 異常検出領域において教師なし学習手法が確立され, 外れ値データセット上でのアートパフォーマンスの達成が期待できる。
異常値は、与えられたデータセット上の機械学習アルゴリズムの予測を歪める可能性を持っているため、重要な役割を果たす。
特にpcaベースの手法では、アウトリアーは結果に対してさらなる破壊的な可能性を秘めている: 主成分の向きや変換を歪ませるだけでなく、アウトリアーを検出するのもより複雑になる。
この問題に対処するために,(1)外れ値に対して頑健であること,(2)検出する2つの特性を満たすロバストな外れ値検出アルゴリズムcomadoutを提案する。
coMAD-PCAを用いた外乱検出法は,その変種である非分布(ID)と外分布(OOD)によって,頑健なノイズマージンを持つ不整域に依存している。
これらの測定により、各主成分に対する分布に基づくアウトレイアスコアリングが可能となり、通常のインスタンスと異常なインスタンス間の決定境界の適切なアライメントが可能となる。
CoMadOutと従来の、深い、その他の同等の堅牢な外れ値検出手法との比較実験により、導入したCoMadOutアプローチの性能は、平均精度(AP)、リコール、受信動作特性(AUROC)曲線下での面積に関する確立された手法と競合することが示された。
まとめると、我々のアプローチは、外れ値検出タスクの堅牢な代替案と見なすことができる。
関連論文リスト
- Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。
ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。
ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
論文 参考訳(メタデータ) (2025-01-06T12:35:51Z) - Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。
近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。
本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。
実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
論文 参考訳(メタデータ) (2024-09-05T02:58:13Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳(メタデータ) (2023-09-23T06:35:44Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳(メタデータ) (2023-02-09T12:06:08Z) - Stochastic and Private Nonconvex Outlier-Robust PCA [11.688030627514532]
外乱PCAは、外乱で破損したデータセットから下層の低次元線形部分空間を求める。
提案手法は,測地線降下と新しい収束解析を含む手法を含むことを示す。
メインの応用法は、アウトリアロバストPCAのための効果的にプライベートなアルゴリズムである。
論文 参考訳(メタデータ) (2022-03-17T12:00:47Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - Deep Clustering based Fair Outlier Detection [19.601280507914325]
本稿では,統合深層クラスタリングと外乱検出を強化するために,インスタンスレベルの重み付き表現学習戦略を提案する。
我々のDCFOD法は, 異常検出において, 異常検出の妥当性と2種類のフェアネス概念の両面において, 常に優れた性能を達成している。
論文 参考訳(メタデータ) (2021-06-09T15:12:26Z) - Mean-Shifted Contrastive Loss for Anomaly Detection [34.97652735163338]
そこで本研究では,集中損失法とコントラスト損失法の両方の障害モードを克服できる新たな損失関数を提案する。
私たちの改善は、$textitMean-Shifted Contrastive Loss$に基づいて、新しい異常検出アプローチをもたらします。
提案手法は,ROC-AUC$9.5%を含む複数のベンチマークにおいて,最先端の異常検出性能を実現する。
論文 参考訳(メタデータ) (2021-06-07T17:58:03Z)
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。