論文の概要: Meta-survey on outlier and anomaly detection
- arxiv url: http://arxiv.org/abs/2312.07101v1
- Date: Tue, 12 Dec 2023 09:29:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 16:50:13.343918
- Title: Meta-survey on outlier and anomaly detection
- Title(参考訳): 異常値と異常検出に関するメタサーベイ
- Authors: Madalina Olteanu (CEREMADE), Fabrice Rossi (CEREMADE), Florian Yger
(MILES, LAMSADE)
- Abstract要約: 本稿では,一般的な調査の体系的メタサーベイと,異常検出と異常検出に関するレビューを実装した。
2つの専門的な科学的な検索エンジンを使って500近い論文を集めている。
本稿は,20年間にわたる外乱検出フィールドの進化を考察し,新たなテーマと方法を明らかにする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The impact of outliers and anomalies on model estimation and data processing
is of paramount importance, as evidenced by the extensive body of research
spanning various fields over several decades: thousands of research papers have
been published on the subject. As a consequence, numerous reviews, surveys, and
textbooks have sought to summarize the existing literature, encompassing a wide
range of methods from both the statistical and data mining communities. While
these endeavors to organize and summarize the research are invaluable, they
face inherent challenges due to the pervasive nature of outliers and anomalies
in all data-intensive applications, irrespective of the specific application
field or scientific discipline. As a result, the resulting collection of papers
remains voluminous and somewhat heterogeneous. To address the need for
knowledge organization in this domain, this paper implements the first
systematic meta-survey of general surveys and reviews on outlier and anomaly
detection. Employing a classical systematic survey approach, the study collects
nearly 500 papers using two specialized scientific search engines. From this
comprehensive collection, a subset of 56 papers that claim to be general
surveys on outlier detection is selected using a snowball search technique to
enhance field coverage. A meticulous quality assessment phase further refines
the selection to a subset of 25 high-quality general surveys. Using this
curated collection, the paper investigates the evolution of the outlier
detection field over a 20-year period, revealing emerging themes and methods.
Furthermore, an analysis of the surveys sheds light on the survey writing
practices adopted by scholars from different communities who have contributed
to this field. Finally, the paper delves into several topics where consensus
has emerged from the literature. These include taxonomies of outlier types,
challenges posed by high-dimensional data, the importance of anomaly scores,
the impact of learning conditions, difficulties in benchmarking, and the
significance of neural networks. Non-consensual aspects are also discussed,
particularly the distinction between local and global outliers and the
challenges in organizing detection methods into meaningful taxonomies.
- Abstract(参考訳): モデル推定とデータ処理に対する外れ値と異常の影響は、数十年にわたって様々な分野にまたがる広範な研究機関によって証明されているように、最も重要視されている。
その結果、多くのレビュー、調査、教科書が既存の文献をまとめようとしており、統計学とデータマイニングのコミュニティから幅広い方法を取り上げている。
研究を組織化し、まとめるこれらの取り組みは重要ではないが、特定の応用分野や科学分野に関係なく、あらゆるデータ集約型アプリケーションにおいて、外れ値や異常が広範に存在しているため、固有の課題に直面している。
その結果、結果として得られた論文の収集は、鮮やかで幾分異質なままである。
この領域における知識組織の必要性に対処するため、本論文では、一般的な調査の体系的なメタサーベイと、異常検出と異常検出に関するレビューを実装した。
古典的な体系的な調査手法を用いて、2つの専門的な科学検索エンジンを用いて500近い論文を収集している。
この包括的収集から、アウトリーバー検出に関する一般的な調査であると主張する56の論文のサブセットが雪球探索技術を用いて選択され、フィールドカバレッジが向上する。
微妙な品質評価フェーズは、さらに25の高品質な総合調査のサブセットに選択を洗練させる。
このキュレートされたコレクションを用いて,20年間にわたる外乱検出フィールドの進化を解明し,新たなテーマと手法を明らかにした。
さらに,本調査の分析は,この分野に貢献した地域社会の学者が採用した調査書記の実践に光を当てている。
最後に、論文は文学からコンセンサスが生まれているいくつかのトピックを取り上げている。
これには、外れ値型の分類、高次元データによる課題、異常スコアの重要性、学習条件の影響、ベンチマークの困難さ、ニューラルネットワークの重要性などが含まれる。
非コンセンサス的な側面も議論され、特に局所的および大域的外れ値の区別と、検出方法を有意義な分類法に整理する上での課題が論じられた。
関連論文リスト
- Dive into Time-Series Anomaly Detection: A Decade Review [19.883791946730494]
時系列異常検出は重要な活動であり、サイバーセキュリティ、金融市場、法執行機関、医療など様々な分野で応用されている。
この調査は、時系列の文脈においてプロセス中心の分類の下で既存のソリューションを異常に検出し、要約する。
異常検出手法の独自の分類に加えて,文献のメタアナリシスを行い,時系列異常検出研究における一般的な傾向を概説する。
論文 参考訳(メタデータ) (2024-12-29T16:11:46Z) - Online Model-based Anomaly Detection in Multivariate Time Series: Taxonomy, Survey, Research Challenges and Future Directions [0.017476232824732776]
時系列異常検出は、エンジニアリングプロセスにおいて重要な役割を果たす。
この調査では、オンラインとオフラインの区別とトレーニングと推論を行う新しい分類法を紹介した。
文献で使用される最も一般的なデータセットと評価指標、および詳細な分析を示す。
論文 参考訳(メタデータ) (2024-08-07T13:01:10Z) - Comprehensive Review and Empirical Evaluation of Causal Discovery Algorithms for Numerical Data [3.9523536371670045]
因果解析は、様々な分野における現象の根本原因を理解する上で不可欠な要素となっている。
因果発見アルゴリズムに関する既存の文献は、一貫性のない方法論で断片化されている。
包括的な評価の欠如、すなわちデータ特性は、ベンチマークアルゴリズムにおいて共同で解析されることがしばしば無視される。
論文 参考訳(メタデータ) (2024-07-17T23:47:05Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オンロジはドメインの知識とメタデータを表現するために広く使われている。
直接支援できる論理的推論は、学習、近似、予測において非常に限られています。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
論文 参考訳(メタデータ) (2024-06-16T14:49:19Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳(メタデータ) (2022-11-09T22:40:22Z) - A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。
近年,時系列データの異常検出が盛んに行われている。
データ、メソッド、評価戦略について紹介する。
我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文 参考訳(メタデータ) (2022-09-10T10:44:25Z) - A Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution
Detection: Solutions and Future Challenges [28.104112546546936]
機械学習モデルは、トレーニング分布から分岐したサンプルに遭遇することが多い。
類似した共有概念にもかかわらず、アウト・オブ・ディストリビューション、オープン・セット、異常検出は独立して研究されている。
本調査は,各分野における多数の卓越した作品について,クロスドメインかつ包括的レビューを行うことを目的としている。
論文 参考訳(メタデータ) (2021-10-26T22:05:31Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳(メタデータ) (2020-08-02T00:09:03Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文 参考訳(メタデータ) (2020-07-06T02:21:16Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳(メタデータ) (2020-03-16T02:47:23Z)
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。