論文の概要: AIDA: Analytic Isolation and Distance-based Anomaly Detection Algorithm
- arxiv url: http://arxiv.org/abs/2212.02645v1
- Date: Mon, 5 Dec 2022 23:06:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 17:27:13.266187
- Title: AIDA: Analytic Isolation and Distance-based Anomaly Detection Algorithm
- Title（参考訳）: AIDA:解析的分離と距離に基づく異常検出アルゴリズム
- Authors: Luis Antonio Souto Arias, Cornelis W. Oosterlee and Pasquale Cirillo
- Abstract要約: テキスト分析分離と距離に基づく異常検出アルゴリズム(AIDA)を開発した。
AIDAは、最も近い隣人の概念に依存しない最初の距離ベース手法であり、パラメータフリーモデルである。
本稿では,AIDA(textitTempered isolation-based eXplanation (TIX) アルゴリズム)に基づく異常説明手法を提案する。
- 参考スコア（独自算出の注目度）: 0.2320417845168326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We combine the metrics of distance and isolation to develop the
\textit{Analytic Isolation and Distance-based Anomaly (AIDA) detection
algorithm}. AIDA is the first distance-based method that does not rely on the
concept of nearest-neighbours, making it a parameter-free model.
Differently from the prevailing literature, in which the isolation metric is
always computed via simulations, we show that AIDA admits an analytical
expression for the outlier score, providing new insights into the isolation
metric. Additionally, we present an anomaly explanation method based on AIDA,
the \textit{Tempered Isolation-based eXplanation (TIX)} algorithm, which finds
the most relevant outlier features even in data sets with hundreds of
dimensions. We test both algorithms on synthetic and empirical data: we show
that AIDA is competitive when compared to other state-of-the-art methods, and
it is superior in finding outliers hidden in multidimensional feature
subspaces. Finally, we illustrate how the TIX algorithm is able to find
outliers in multidimensional feature subspaces, and use these explanations to
analyze common benchmarks used in anomaly detection.
- Abstract（参考訳）: 距離と孤立度の測定値を組み合わせて,距離に基づく異常検出アルゴリズムであるtextit{Analytic isolation and Distance-based Anomaly を開発した。
AIDAは、最も近い隣人の概念に依存しない最初の距離ベース手法であり、パラメータフリーモデルである。
孤立度メトリックが常にシミュレーションによって計算される一般的な文献とは異なり、aidaは外れ値の分析式を認めており、孤立度メトリックに対する新たな洞察を与えている。
さらに,aidaに基づく異常説明法を提案する。このアルゴリズムは,数百次元のデータセットにおいても最も関連性の高い異常特徴を見つける。
我々は、AIDAが他の最先端手法と比較して競争力があることを示し、多次元特徴部分空間に隠れたアウトリーチを見つけるのに優れていることを示す。
最後に、tixアルゴリズムが多次元特徴部分空間の外れ値を見出す方法を説明し、これらの説明を用いて異常検出に使用される共通ベンチマークを分析する。
関連論文リスト
- SPINEX: Similarity-based Predictions with Explainable Neighbors Exploration for Anomaly and Outlier Detection [3.2432648012273346]
本稿ではSPINEXファミリーの異常・異常検出アルゴリズムを提案する。
複数の部分空間にまたがる類似性や高次相互作用の概念を活用して、外接点を同定する。
SPINEXの性能を評価するための総合的な実験を行った。
論文 参考訳（メタデータ） (2024-07-05T17:42:09Z) - Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - 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) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - A Simple Information-Based Approach to Unsupervised Domain-Adaptive
Aspect-Based Sentiment Analysis [58.124424775536326]
本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。
実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
論文 参考訳（メタデータ） (2022-01-29T10:18:07Z) - Probabilistic Robust Autoencoders for Anomaly Detection [7.362415721170984]
確率ロバストオートエンコーダ(PRAE)と呼ばれる新しいタイプのオートエンコーダを提案する。
PRAEは、同時に外れ値を取り除き、下降値サンプルの低次元表現を識別するように設計されている。
PRAEの解法がRAEの解と等価であることを証明し、PRAEが異常検出の最先端手法と同等であることを示す。
論文 参考訳（メタデータ） (2021-10-01T15:46:38Z) - A Non-Parametric Subspace Analysis Approach with Application to Anomaly
Detection Ensembles [8.533981186119068]
AAG(Agglomerative Attribute Grouping)という新しいサブスペース分析手法を提案する。
AAGは、パーティションの情報理論測定から派生した、新しいマルチ属性測定に依存しています。
大多数のケースにおいて、提案されたAAG法は古典的および最先端の部分空間解析法を上回っている。
論文 参考訳（メタデータ） (2021-01-13T08:23:01Z) - Stochastic Approximation for Online Tensorial Independent Component
Analysis [98.34292831923335]
独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。
本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-28T18:52:37Z) - Statistical Outlier Identification in Multi-robot Visual SLAM using
Expectation Maximization [18.259478519717426]
本稿では、同時局所化およびマッピング(SLAM)におけるマップ間ループ閉包外乱検出のための、新しい分散手法を提案する。
提案アルゴリズムは優れた初期化に頼らず、一度に2つ以上のマップを処理できる。
論文 参考訳（メタデータ） (2020-02-07T06:34:44Z)
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。