論文の概要: Revisiting Non-separable Binary Classification and its Applications in
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2312.01541v1
- Date: Sun, 3 Dec 2023 23:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 16:44:07.190708
- Title: Revisiting Non-separable Binary Classification and its Applications in
Anomaly Detection
- Title(参考訳): 非分離バイナリ分類の再検討と異常検出への応用
- Authors: Matthew Lau, Ismaila Seck, Athanasios P Meliopoulos, Wenke Lee and
Eugene Ndiaye
- Abstract要約: XOR の線形分類が可能であることを示す。
我々は、SVMの目的に適合し、マージン内または外にあるデータを識別する等分性分離を提案する。
分類器はスムーズな近似でニューラルネットワークパイプラインに統合できる。
- 参考スコア(独自算出の注目度): 10.762114987475625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The inability to linearly classify XOR has motivated much of deep learning.
We revisit this age-old problem and show that linear classification of XOR is
indeed possible. Instead of separating data between halfspaces, we propose a
slightly different paradigm, equality separation, that adapts the SVM objective
to distinguish data within or outside the margin. Our classifier can then be
integrated into neural network pipelines with a smooth approximation. From its
properties, we intuit that equality separation is suitable for anomaly
detection. To formalize this notion, we introduce closing numbers, a
quantitative measure on the capacity for classifiers to form closed decision
regions for anomaly detection. Springboarding from this theoretical connection
between binary classification and anomaly detection, we test our hypothesis on
supervised anomaly detection experiments, showing that equality separation can
detect both seen and unseen anomalies.
- Abstract(参考訳): XORを線形に分類できないことは、多くのディープラーニングを動機付けている。
我々は、この古い問題を再考し、XORの線形分類が実際に可能であることを示す。
ハーフスペース間でデータを分離する代わりに、SVMの目的に適応し、マージン内または外にあるデータを区別する、わずかに異なるパラダイム、平等分離を提案する。
分類器は、滑らかな近似でニューラルネットワークパイプラインに統合できます。
その性質から,同値分離が異常検出に適していることを示唆する。
この概念を定式化するために、分類器が異常検出のための閉決定領域を形成する能力に関する定量的尺度である閉包数を導入する。
この二項分類と異常検出の理論的関係から, 教師付き異常検出実験の仮説を検証し, 同一性分離が目に見える異常と見えない異常の両方を検出することを示した。
関連論文リスト
- Anomaly Detection Under Uncertainty Using Distributionally Robust
Optimization Approach [0.9217021281095907]
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。
論文 参考訳(メタデータ) (2023-12-03T06:13:22Z) - An Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-18T02:36:19Z) - Decoupling anomaly discrimination and representation learning:
self-supervised learning for anomaly detection on attributed graph [18.753970895946814]
DSLADは、異常検出のために分離された異常識別と表現学習を備えた自己教師型手法である。
さまざまな6つのベンチマークデータセットで実施された実験は、DSLADの有効性を明らかにしている。
論文 参考訳(メタデータ) (2023-04-11T12:23:40Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-24T18:49:26Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳(メタデータ) (2021-06-11T13:03:33Z) - A Hypothesis Testing Approach to Nonstationary Source Separation [15.193722258844517]
盲目および半盲目多変量観測からの非定常信号の抽出は、再発問題である。
非定常性同定のための様々な手法を概説し,仮説テストに基づく新しい汎用フレームワークを提案する。
本手法は,非侵襲性胎児心電図抽出に応用されている。
論文 参考訳(メタデータ) (2021-05-14T16:58:55Z) - A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。
統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。
本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文 参考訳(メタデータ) (2021-01-25T09:46:14Z) - Binary Classification of Gaussian Mixtures: Abundance of Support
Vectors, Benign Overfitting and Regularization [39.35822033674126]
生成ガウス混合モデルに基づく二項線形分類について検討する。
後者の分類誤差に関する新しい非漸近境界を導出する。
この結果は, 確率が一定である雑音モデルに拡張される。
論文 参考訳(メタデータ) (2020-11-18T07:59:55Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳(メタデータ) (2020-04-14T06:18:50Z)
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。