Fugu-MT 論文翻訳(概要): Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach

論文の概要: Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach

arxiv url: http://arxiv.org/abs/2312.01296v1
Date: Sun, 3 Dec 2023 06:13:22 GMT
ステータス: 処理完了
システム内更新日: 2023-12-05 18:06:59.739536
Title: Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach
Title（参考訳）: 分布ロバスト最適化を用いた不確かさ下での異常検出
Authors: Amir Hossein Noormohammadia, Seyed Ali MirHassania, Farnaz Hooshmand Khaligh
Abstract要約: 異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
参考スコア（独自算出の注目度）: 0.9217021281095907
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection is defined as the problem of finding data points that do not follow the patterns of the majority. Among the various proposed methods for solving this problem, classification-based methods, including one-class Support Vector Machines (SVM) are considered effective and state-of-the-art. The one-class SVM method aims to find a decision boundary to distinguish between normal data points and anomalies using only the normal data. On the other hand, most real-world problems involve some degree of uncertainty, where the true probability distribution of each data point is unknown, and estimating it is often difficult and costly. Assuming partial distribution information such as the first and second-order moments is known, a distributionally robust chance-constrained model is proposed in which the probability of misclassification is low. By utilizing a mapping function to a higher dimensional space, the proposed model will be capable of classifying origin-inseparable datasets. Also, by adopting the kernel idea, the need for explicitly knowing the mapping is eliminated, computations can be performed in the input space, and computational complexity is reduced. Computational results validate the robustness of the proposed model under different probability distributions and also the superiority of the proposed model compared to the standard one-class SVM in terms of various evaluation metrics.
Abstract（参考訳）: 異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。この問題を解決するための様々な手法として,一級支援ベクトルマシン(SVM)を含む分類に基づく手法が,有効かつ最先端であると考えられる。 1クラスSVM法は,通常のデータのみを用いて,通常のデータポイントと異常を区別する決定境界を求めることを目的としている。一方、現実世界のほとんどの問題は、各データポイントの真の確率分布が未知であり、その推定が困難でコストがかかるような、ある程度の不確実性を含んでいる。第1および第2次モーメントのような部分分布情報が知られていると仮定すると、誤分類の確率が低い分布的ロバストな確率制約モデルが提案される。より高次元空間への写像関数の利用により、提案モデルは原点分離可能なデータセットを分類することができる。また、カーネルの考え方を採用することにより、マッピングを明示的に認識する必要がなくなり、入力空間での計算が可能となり、計算複雑性が低減される。計算結果から, 確率分布の異なるモデルに対して, 提案モデルのロバスト性を検証し, 各種評価指標を用いて, 標準のSVMと比較して, 提案モデルの優位性を検証した。

関連論文リスト

Bayesian Estimation and Tuning-Free Rank Detection for Probability Mass Function Tensors [17.640500920466984]
本稿では,関節のPMFを推定し,そのランクを観測データから自動的に推定する新しい枠組みを提案する。我々は、様々なモデルパラメータの後方分布を近似するために、変分推論(VI)に基づく決定論的解を導出し、さらに、変分推論(SVI)を利用して、VVIベースのアプローチのスケーラブルバージョンを開発する。合成データと実映画レコメンデーションデータの両方を含む実験は、推定精度、自動ランク検出、計算効率の点で、VVIおよびSVIベースの手法の利点を示している。
論文参考訳（メタデータ） (2024-10-08T20:07:49Z)
A Mallows-like Criterion for Anomaly Detection with Random Forest Implementation [7.569443648362081]
本稿では,複数のモデルの集約における重み付けを選択するための新しい基準を提案する。提案手法をネットワーク侵入を含む様々な領域にわたるベンチマークデータセット上で評価した。
論文参考訳（メタデータ） (2024-05-29T09:36:57Z)
Cost-sensitive probabilistic predictions for support vector machines [1.743685428161914]
サポートベクターマシン(SVM)は広く使われており、最もよく検討され使用されている機械学習モデルの一つである。本稿では,SVMの確率的出力を生成する新しい手法を提案する。
論文参考訳（メタデータ） (2023-10-09T11:00:17Z)
Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文参考訳（メタデータ） (2022-12-06T12:42:11Z)
Marginalization in Bayesian Networks: Integrating Exact and Approximate Inference [0.0]
欠落データと隠れ変数は、変数のサブセットの限界確率分布を計算する必要がある。ベイジアンネットワークのグラフィカルな特性を利用した分割・コンカレント手法を開発した。分類変数の限界確率分布を推定するための効率的でスケーラブルなアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-16T21:49:52Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Model-based clustering of partial records [11.193504036335503]
観測値の限界密度を用いたモデルベースの手法でクラスタリング手法を開発しています。提案アルゴリズムは,不完全データセットの欠落値を考慮した,対応する全期待最大化(EM)手法と比較する。シミュレーション研究により,本手法は実クラスタ分割の回復に有利であることが示された。
論文参考訳（メタデータ） (2021-03-30T13:30:59Z)
Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文参考訳（メタデータ） (2020-11-05T08:04:34Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文参考訳（メタデータ） (2020-07-07T18:25:25Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。