論文の概要: RODD: Robust Outlier Detection in Data Cubes
- arxiv url: http://arxiv.org/abs/2303.08193v1
- Date: Tue, 14 Mar 2023 19:29:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 18:35:37.394596
- Title: RODD: Robust Outlier Detection in Data Cubes
- Title(参考訳): RODD: データキューブにおけるロバスト外乱検出
- Authors: Lara Kuhlmann, Daniel Wilmes, Emmanuel M\"uller, Markus Pauly, Daniel
Horn
- Abstract要約: 我々は、新しいランダム・フォレスト・ベース・アウトリー検出手法(RODD-RF)を導入する。
我々は、ロバストな位置推定器に基づく従来の手法と比較する。
その結果,RODD-RFは異常検出の改善につながることが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data cubes are multidimensional databases, often built from several separate
databases, that serve as flexible basis for data analysis. Surprisingly,
outlier detection on data cubes has not yet been treated extensively. In this
work, we provide the first framework to evaluate robust outlier detection
methods in data cubes (RODD). We introduce a novel random forest-based outlier
detection approach (RODD-RF) and compare it with more traditional methods based
on robust location estimators. We propose a general type of test data and
examine all methods in a simulation study. Moreover, we apply ROOD-RF to real
world data. The results show that RODD-RF can lead to improved outlier
detection.
- Abstract(参考訳): データキューブは多次元データベースであり、しばしば複数の別々のデータベースから構築され、データ分析の柔軟な基盤となる。
驚いたことに、データキューブの外れ値検出はまだ広く扱われていない。
本研究では,データキューブ(RODD)におけるロバストな外乱検出手法を評価するための最初のフレームワークを提供する。
そこで我々は,新しいランダムな森林外層検出手法(RODD-RF)を導入し,ロバストな位置推定器に基づく従来手法と比較した。
シミュレーション研究において,テストデータの汎用型を提案し,すべての手法について検討する。
さらに,実世界のデータにROOD-RFを適用した。
その結果,RODD-RFは異常検出の改善につながることが示された。
関連論文リスト
- Are we really making much progress in unsupervised graph outlier
detection? Revisiting the problem with new insight and superior method [36.72922385614812]
UNODは、グラフにおける典型的な2種類の外れ値(構造外値と文脈外値)の検出に重点を置いている。
最も広く使われているアウトリー・インジェクションのアプローチは、深刻なデータ漏洩問題であることがわかった。
本稿では,分散モデルと属性再構成モデルを組み合わせた分散グラフ外乱検出(VGOD)手法を提案する。
論文 参考訳(メタデータ) (2022-10-24T04:09:35Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - Generating Data to Mitigate Spurious Correlations in Natural Language
Inference Datasets [27.562256973255728]
自然言語処理モデルはしばしば、タスクに依存しない特徴とデータセットのラベルの間の急激な相関を利用して、トレーニング対象のディストリビューション内でのみうまく機能する。
そこで本研究では, 脱バイアス化したデータセットを生成して, 脱バイアス化したオフザシェルフモデルをトレーニングする手法を提案する。
提案手法は,1)高品質なラベル一貫性のあるデータサンプルを生成するためのデータジェネレータの訓練方法,2)素粒子相関に寄与するデータ点を除去するフィルタリング機構から構成される。
論文 参考訳(メタデータ) (2022-03-24T09:08:05Z) - 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) - ECOD: Unsupervised Outlier Detection Using Empirical Cumulative
Distribution Functions [12.798256312657136]
外乱検出(英: Outlier detection)とは、一般的なデータ分布から逸脱するデータ点の同定である。
本稿では,ECOD(Empirical-Cumulative-Distribution-based Outlier Detection)について述べる。
論文 参考訳(メタデータ) (2022-01-02T17:28:35Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - An Efficient Anomaly Detection Approach using Cube Sampling with
Streaming Data [2.0515785954568626]
異常検出は侵入検知、健康モニタリング、故障診断、センサネットワークイベント検出など様々な分野で重要である。
孤立林(アイフォレスト)アプローチは、異常を検出するためのよく知られた手法である。
本稿では,ストリーミングデータに有効なキューブサンプリングを用いた,効率的なiForestに基づく異常検出手法を提案する。
論文 参考訳(メタデータ) (2021-10-05T04:23:00Z) - Unsupervised Outlier Detection using Memory and Contrastive Learning [53.77693158251706]
特徴空間における外乱検出は,外乱検出から外乱検出までの特徴距離を測定することで行うことができると考えている。
本稿では,メモリモジュールとコントラスト学習モジュールを用いたMCODフレームワークを提案する。
提案したMCODは高い性能を達成し,9つの最先端手法より優れる。
論文 参考訳(メタデータ) (2021-07-27T07:35:42Z) - RECol: Reconstruction Error Columns for Outlier Detection [3.539745817331099]
我々はREColという汎用データ前処理手法を導入し、アウト・アウト・ファッションで追加のカラムを生成する。
各列に対して、他の列に基づいてその値を予測し、再構成エラー列を生成する。
生成した再構成誤り特徴空間は一般に一般的な外れ値検出法をサポートし,ROC-AUC値とPR-AUC値を大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-02-04T18:24:59Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。
既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。
この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
論文 参考訳(メタデータ) (2020-08-11T17:04:47Z)
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。