論文の概要: Constructing a meta-learner for unsupervised anomaly detection
- arxiv url: http://arxiv.org/abs/2304.11438v1
- Date: Sat, 22 Apr 2023 16:13:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 18:31:14.131576
- Title: Constructing a meta-learner for unsupervised anomaly detection
- Title（参考訳）: 教師なし異常検出のためのメタリアナーの構築
- Authors: Ma{\l}gorzata Gutowska, Suzanne Little, Andrew McCarren
- Abstract要約: 教師なし異常検出は、幅広い応用に欠かせない。
すべてのADタスクに対して1つのアルゴリズムが優れていることが判明した。
本研究は、適切な教師なしADアルゴリズムを識別する新しいメタラーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 4.51652759148835
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Unsupervised anomaly detection (AD) is critical for a wide range of practical
applications, from network security to health and medical tools. Due to the
diversity of problems, no single algorithm has been found to be superior for
all AD tasks. Choosing an algorithm, otherwise known as the Algorithm Selection
Problem (ASP), has been extensively examined in supervised classification
problems, through the use of meta-learning and AutoML, however, it has received
little attention in unsupervised AD tasks. This research proposes a new
meta-learning approach that identifies an appropriate unsupervised AD algorithm
given a set of meta-features generated from the unlabelled input dataset. The
performance of the proposed meta-learner is superior to the current state of
the art solution. In addition, a mixed model statistical analysis has been
conducted to examine the impact of the meta-learner components: the meta-model,
meta-features, and the base set of AD algorithms, on the overall performance of
the meta-learner. The analysis was conducted using more than 10,000 datasets,
which is significantly larger than previous studies. Results indicate that a
relatively small number of meta-features can be used to identify an appropriate
AD algorithm, but the choice of a meta-model in the meta-learner has a
considerable impact.
- Abstract（参考訳）: 非教師なし異常検出(unsupervised anomaly detection, aad)は、ネットワークセキュリティから医療や医療ツールに至るまで、幅広い実用用途に不可欠である。
問題の多様性のため、全てのADタスクに優れたアルゴリズムが1つも見つかっていない。
アルゴリズムの選択はアルゴリズム選択問題(ASP)として知られており、メタラーニングとオートMLを用いて教師なしの分類問題において広く検討されているが、教師なしのADタスクではほとんど注目されていない。
本研究では,ラベルなし入力データセットから生成された一連のメタ特徴を与えられた適切な教師なし広告アルゴリズムを識別する新しいメタラーニング手法を提案する。
提案するメタリアナーの性能は,現在のアートソリューションよりも優れている。
さらに, メタラーナー成分(メタモデル, メタ機能, ADアルゴリズムのベースセット)がメタラーナー全体の性能に与える影響について, 混合モデル統計解析を行った。
分析は1万以上のデータセットを使用して行われ、これは以前の研究よりもかなり大きい。
その結果,ADアルゴリズムの同定には比較的少数のメタ機能を用いることができるが,メタラーナーにおけるメタモデルの選択は大きな影響を与えることがわかった。
関連論文リスト
- A Survey of Meta-features Used for Automated Selection of Algorithms for Black-box Single-objective Continuous Optimization [4.173197621837912]
単目的連続ブラックボックス最適化の分野におけるアルゴリズム選択への重要な貢献について概説する。
自動アルゴリズム選択、構成、性能予測のための機械学習モデルについて検討する。
論文 参考訳（メタデータ） (2024-06-08T11:11:14Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - Do Ensembling and Meta-Learning Improve Outlier Detection in Randomized
Controlled Trials? [0.0]
7つの実世界のMCRCTから838個のデータセットから不規則なデータを識別するタスクに対して、機械学習に基づく最新の外れ値検出アルゴリズムを6つ評価した。
以上の結果から,他の領域のデータに対する異常検出文献の先行研究から重要な知見が得られた。
複数の教師なしモデルの予測を集約する単純なアルゴリズムであるMeta-learned Probabilistic Ensemble (MePE)を提案する。
論文 参考訳（メタデータ） (2023-11-09T16:05:38Z) - ADGym: Design Choices for Deep Anomaly Detection [41.628035484012834]
本稿では,DeepメソッドにおけるAD設計要素の包括的評価と自動選択のためのプラットフォームであるADGymを紹介する。
実験の結果,既存の先行手法のみに依存するだけでは不十分であることが判明した。
対照的にADGymを用いて開発されたモデルは、現在の最先端技術を大きく上回っている。
論文 参考訳（メタデータ） (2023-09-27T03:10:32Z) - Domain Adaptation Principal Component Analysis: base linear method for
learning with out-of-distribution data [55.41644538483948]
ドメイン適応は現代の機械学習において一般的なパラダイムである。
ドメイン適応主成分分析(DAPCA)という手法を提案する。
DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
論文 参考訳（メタデータ） (2022-08-28T21:10:56Z) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2022-03-03T22:02:56Z) - Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。
タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。
実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2021-06-04T20:15:34Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Weighted Meta-Learning [21.522768804834616]
モデルに依存しないメタラーニング(MAML)のような多くの一般的なメタラーニングアルゴリズムは、微調整のためにターゲットサンプルへのアクセスのみを前提としている。
本研究では、異なるソースタスクの損失の重み付けに基づくメタ学習のための一般的なフレームワークを提供する。
重み付きMAMLアルゴリズムを含む経験的IPMに関する誤差を最小化する学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-20T19:00:42Z) - Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。
我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文 参考訳（メタデータ） (2020-02-11T01:39:12Z)
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。