論文の概要: Anomaly Detection using Ensemble Classification and Evidence Theory
- arxiv url: http://arxiv.org/abs/2212.12092v1
- Date: Fri, 23 Dec 2022 00:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 17:03:47.288440
- Title: Anomaly Detection using Ensemble Classification and Evidence Theory
- Title（参考訳）: アンサンブル分類と証拠理論を用いた異常検出
- Authors: Fernando Ar\'evalo, Tahasanul Ibrahim, Christian Alison M. Piolo,
Andreas Schwung
- Abstract要約: 本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-class ensemble classification remains a popular focus of investigation
within the research community. The popularization of cloud services has sped up
their adoption due to the ease of deploying large-scale machine-learning
models. It has also drawn the attention of the industrial sector because of its
ability to identify common problems in production. However, there are
challenges to conform an ensemble classifier, namely a proper selection and
effective training of the pool of classifiers, the definition of a proper
architecture for multi-class classification, and uncertainty quantification of
the ensemble classifier. The robustness and effectiveness of the ensemble
classifier lie in the selection of the pool of classifiers, as well as in the
learning process. Hence, the selection and the training procedure of the pool
of classifiers play a crucial role. An (ensemble) classifier learns to detect
the classes that were used during the supervised training. However, when
injecting data with unknown conditions, the trained classifier will intend to
predict the classes learned during the training. To this end, the uncertainty
of the individual and ensemble classifier could be used to assess the learning
capability. We present a novel approach for novel detection using ensemble
classification and evidence theory. A pool selection strategy is presented to
build a solid ensemble classifier. We present an architecture for multi-class
ensemble classification and an approach to quantify the uncertainty of the
individual classifiers and the ensemble classifier. We use uncertainty for the
anomaly detection approach. Finally, we use the benchmark Tennessee Eastman to
perform experiments to test the ensemble classifier's prediction and anomaly
detection capabilities.
- Abstract（参考訳）: マルチクラスのアンサンブル分類は、研究コミュニティ内で広く研究の焦点となっている。
クラウドサービスの普及により、大規模な機械学習モデルのデプロイが容易になった。
また、生産における一般的な問題を特定する能力から、産業セクターの注目を集めている。
しかしながら、アンサンブル分類器には、分類器プールの適切な選択と効果的な訓練、多クラス分類のための適切なアーキテクチャの定義、アンサンブル分類器の不確かさの定量化といった課題がある。
アンサンブル分類器の堅牢性と有効性は、学習過程だけでなく、分類器のプールの選択にも関係している。
したがって、分類器のプールの選択と訓練手順が重要な役割を果たす。
ensemble)分類器は、教師付きトレーニングで使用されたクラスを検出するために学習する。
しかし、未知の条件でデータを注入する場合、訓練された分類器は、訓練中に学んだクラスを予測する。
この目的のために,学習能力を評価するために,個人とアンサンブルの分類器の不確実性を用いた。
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
マルチクラスアンサンブル分類のためのアーキテクチャと,個別分類器とアンサンブル分類器の不確かさを定量化するアプローチを提案する。
我々は異常検出手法に不確実性を用いる。
最後に、ベンチマークテネシー・イーストマンを用いてアンサンブル分類器の予測と異常検出能力をテストする実験を行った。
関連論文リスト
- Feature selection simultaneously preserving both class and cluster
structures [5.5612170847190665]
本稿では,クラス識別と構造保存の両方を統合的に重視するニューラルネットワークに基づく特徴選択手法を提案する。
実験の結果から,提案した特徴/帯域選択により,分類とクラスタリングの両方に適する特徴のサブセットを選択できると主張する。
論文 参考訳（メタデータ） (2023-07-08T04:49:51Z) - 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) - Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。
提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
論文 参考訳（メタデータ） (2021-12-14T08:25:24Z) - CAC: A Clustering Based Framework for Classification [20.372627144885158]
分類アウェアクラスタリング(CAC)と呼ばれるシンプルで効率的で汎用的なフレームワークを設計する。
本実験は,クラスタリングと分類を併用した従来の手法よりもCACの有効性を示すものである。
論文 参考訳（メタデータ） (2021-02-23T18:59:39Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z) - Active Hybrid Classification [79.02441914023811]
本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。
本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-01-21T21:09:07Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。
ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
論文 参考訳（メタデータ） (2020-10-28T14:37:25Z) - Interpretable Sequence Classification via Discrete Optimization [26.899228003677138]
医療監視や侵入検知といった多くの応用において、早期分類は介入を促すために不可欠である。
本研究では、進化する観測トレースから早期分類を好む配列分類器を学習する。
我々の分類器は解釈可能であり, 説明, 反実的推論, 人為的ループ修正を行う。
論文 参考訳（メタデータ） (2020-10-06T15:31:07Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
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。