Fugu-MT 論文翻訳(概要): Boundary Peeling: Outlier Detection Method Using One-Class Peeling

論文の概要: Boundary Peeling: Outlier Detection Method Using One-Class Peeling

arxiv url: http://arxiv.org/abs/2309.05630v1
Date: Mon, 11 Sep 2023 17:19:07 GMT
ステータス: 処理完了
システム内更新日: 2023-09-12 11:39:14.670975
Title: Boundary Peeling: Outlier Detection Method Using One-Class Peeling
Title（参考訳）: 境界剥離:一級剥離を用いた異常検出法
Authors: Sheikh Arafat, Na Sun, Maria L. Weese, Waldyn G. Martinez
Abstract要約: 教師なし外乱検出アルゴリズムであるOne-Class Boundary Peelingを導入する。一級境界ピーリングは、一級支持ベクトルマシンによって生成される反復的にピアリングされたフレキシブルな境界からの平均符号付き距離を使用する。合成データシミュレーションでは、一級境界ピーリングは、外れ値が存在しない場合、アートメソッドのすべての状態を上回ります。
参考スコア（独自算出の注目度）: 2.5541390083392437
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unsupervised outlier detection constitutes a crucial phase within data analysis and remains a dynamic realm of research. A good outlier detection algorithm should be computationally efficient, robust to tuning parameter selection, and perform consistently well across diverse underlying data distributions. We introduce One-Class Boundary Peeling, an unsupervised outlier detection algorithm. One-class Boundary Peeling uses the average signed distance from iteratively-peeled, flexible boundaries generated by one-class support vector machines. One-class Boundary Peeling has robust hyperparameter settings and, for increased flexibility, can be cast as an ensemble method. In synthetic data simulations One-Class Boundary Peeling outperforms all state of the art methods when no outliers are present while maintaining comparable or superior performance in the presence of outliers, as compared to benchmark methods. One-Class Boundary Peeling performs competitively in terms of correct classification, AUC, and processing time using common benchmark data sets.
Abstract（参考訳）: 教師なしの外れ値検出は、データ分析において重要なフェーズであり、研究のダイナミック領域である。優れた異常検出アルゴリズムは、計算効率が高く、パラメータ選択のチューニングに頑健で、さまざまな基盤となるデータ分布に対して一貫した性能を持つべきである。教師なし外乱検出アルゴリズムであるOne-Class Boundary Peelingを導入する。ワンクラス境界剥離は、ワンクラスサポートベクターマシンによって生成される反復的かつ柔軟な境界からの平均符号付き距離を使用する。一級境界ピーリングは堅牢なハイパーパラメータ設定を持ち、柔軟性を高めるためにアンサンブル法としてキャストすることができる。合成データシミュレーションでは、ワンクラス境界ピーリングは、ベンチマークメソッドと比較して、アウトリーチが存在しない場合、アウトリーチが同等または優れたパフォーマンスを維持しながら、アートメソッドのすべての状態を上回ります。ワンクラス境界ピーリングは、一般的なベンチマークデータセットを使用して正しい分類、AUC、処理時間で競合的に実行される。

関連論文リスト

Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文参考訳（メタデータ） (2024-11-20T02:57:35Z)
AnoRand: A Semi Supervised Deep Learning Anomaly Detection Method by Random Labeling [0.0]
異常検出(英: Anomaly detection)またはより一般的には異常検出(英: outliers detection)は、理論的および応用機械学習において最も人気があり、課題の1つである。我々は、ディープラーニングアーキテクチャとランダムな合成ラベル生成を組み合わせることで、textbfAnoRandと呼ばれる新しい半教師付き異常検出手法を提案する。
論文参考訳（メタデータ） (2023-05-28T10:53:34Z)
Characterizing the Optimal 0-1 Loss for Multi-class Classification with a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文参考訳（メタデータ） (2023-02-21T15:17:13Z)
MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文参考訳（メタデータ） (2023-02-09T12:06:08Z)
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)
Meta-Learning for Unsupervised Outlier Detection with Optimal Transport [4.035753155957698]
そこで本稿では,従来のデータセットからのメタラーニングに基づく異常検出の自動化手法を提案する。特に最適なトランスポートを活用して、最も類似した分布を持つデータセットを見つけ、そのデータ分散に最も適することが証明された外れ値検出技術を適用します。
論文参考訳（メタデータ） (2022-11-01T10:36:48Z)
Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文参考訳（メタデータ） (2022-04-23T02:45:55Z)
Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
論文参考訳（メタデータ） (2021-08-03T12:15:25Z)
Achieving differential privacy for $k$-nearest neighbors based outlier detection by data partitioning [0.3437656066916039]
我々は、$k$-NNに基づく外乱検出のための差分プライベート(epsilon$-DP)アプローチを開発した。提案手法は,提案手法を参照不整合データに対する適合ステップに分離し,新しいデータに適用することで,$k$-NNに基づく外れ値検出を行う手法である。提案手法は,$k$-NNの非プライベートバージョンと比較して,次元の異なる実世界のデータに対して,ほぼ最適な性能が得られる。
論文参考訳（メタデータ） (2021-04-16T07:35:26Z)
The Integrity of Machine Learning Algorithms against Software Defect Prediction [0.0]
本報告では,Liangらが開発したオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)の性能を解析する。 OS-ELMは従来のディープニューラルネットワークよりも高速にトレーニングし、常にグローバルな最適解に収束する。この分析は、NASAグループが実施する3つのプロジェクトKC1、PC4、PC3で実施される。
論文参考訳（メタデータ） (2020-09-05T17:26:56Z)
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。