論文の概要: Semi-Supervised Anomaly Detection for the Determination of Vehicle Hijacking Tweets

• arxiv url: http://arxiv.org/abs/2308.10036v1
• Date: Sat, 19 Aug 2023 14:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 18:18:17.754210
• Title: Semi-Supervised Anomaly Detection for the Determination of Vehicle Hijacking Tweets
• Title（参考訳）: 車両乗っ取りつぶやき判定のための半監督的異常検出
• Authors: Taahir Aiyoob Patel and Clement N. Nyirenda
• Abstract要約: 南アフリカでは、自動車のハイジャックが絶え間なく増えている。 この研究は、ツイートを使ってハイジャック事件を特定するための、新しい半教師付きアプローチを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In South Africa, there is an ever-growing issue of vehicle hijackings. This leads to travellers constantly being in fear of becoming a victim to such an incident. This work presents a new semi-supervised approach to using tweets to identify hijacking incidents by using unsupervised anomaly detection algorithms. Tweets consisting of the keyword "hijacking" are obtained, stored, and processed using the term frequency-inverse document frequency (TF-IDF) and further analyzed by using two anomaly detection algorithms: 1) K-Nearest Neighbour (KNN); 2) Cluster Based Outlier Factor (CBLOF). The comparative evaluation showed that the KNN method produced an accuracy of 89%, whereas the CBLOF produced an accuracy of 90%. The CBLOF method was also able to obtain a F1-Score of 0.8, whereas the KNN produced a 0.78. Therefore, there is a slight difference between the two approaches, in favour of CBLOF, which has been selected as a preferred unsupervised method for the determination of relevant hijacking tweets. In future, a comparison will be done between supervised learning methods and the unsupervised methods presented in this work on larger dataset. Optimisation mechanisms will also be employed in order to increase the overall performance.
• Abstract（参考訳）: 南アフリカでは、自動車のハイジャックがますます問題になっている。 これは、旅行者がこのような事故の犠牲者になることを恐れることにつながる。 本研究は,非教師付き異常検出アルゴリズムを用いて,ハイジャックインシデントをツイートで識別する,新たな半教師付きアプローチを提案する。 単語 "hijacking" からなるつぶやきを取得し,TF-IDF (quency-inverse document frequency) という用語を用いて処理し,さらに2つの異常検出アルゴリズムを用いて解析する。 1)K-Nearest Neighbour(KNN) 2)クラスタベースアウトリアーファクタ(cblof)。 比較評価の結果,nn法の精度は89%,cblofの精度は90%であった。 CBLOF法ではF1スコアが0.8、KNNでは0.78を得ることができた。 したがって、関連するハイジャックツイートを決定するための教師なしの方法として選択されたCBLOFを好んで、この2つのアプローチには若干の違いがある。 将来的には,教師あり学習法と,この大規模データセットにおける教師なし学習法の比較を行う予定である。 全体的なパフォーマンスを向上させるために最適化メカニズムも採用する予定である。

関連論文リスト

• Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
  森林火災は気候危機により地球生態系に深刻な危険をもたらす。 複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。 この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
  論文  参考訳（メタデータ） (2024-11-14T23:19:55Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
  本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。 実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。 提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T09:01:42Z)
• Robust Semi-Supervised Anomaly Detection via Adversarially Learned Continuous Noise Corruption [11.135527192198092]
  異常検出は、予め確立された正常性から著しく逸脱した新しいサンプルを認識するタスクである。 ディープオートエンコーダ(AE)は、異常検出タスクとして広く使用されているが、ヌルID関数への過度な適合に悩まされている。 本稿では,適応学習連続雑音(ALCN)を効率よく生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T22:59:20Z)
• CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD [0.3749861135832073]
  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。
  論文  参考訳（メタデータ） (2022-11-23T21:33:34Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• Tightening the Approximation Error of Adversarial Risk with Auto Loss Function Search [12.263913626161155]
  一般的な評価手法は、モデルの逆方向リスクをロバスト性指標として近似することである。 本稿では,エラーを厳格化するための損失関数を探索する最初の手法であるAutoLoss-ARを提案する。 その結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-09T11:47:43Z)
• Analyzing and Mitigating Interference in Neural Architecture Search [96.60805562853153]
  本研究では、異なる子モデルをサンプリングし、共有演算子の勾配類似度を計算することで干渉問題を解明する。 これら2つの観測から着想を得て、干渉を緩和するための2つのアプローチを提案する。 検索したアーキテクチャは、RoBERTa$_rmbase$が1.1、0.6、ELECTRA$_rmbase$が1.6、テストセットであるGLUEベンチマークで1.1より優れています。
  論文  参考訳（メタデータ） (2021-08-29T11:07:46Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。