論文の概要: Outlier detection using flexible categorisation and interrogative agendas

• arxiv url: http://arxiv.org/abs/2312.12010v2
• Date: Wed, 20 Dec 2023 10:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 12:24:13.643727
• Title: Outlier detection using flexible categorisation and interrogative agendas
• Title（参考訳）: フレキシブル分類と質問課題を用いた外乱検出
• Authors: Marcel Boersma, Krishna Manoorkar, Alessandra Palmigiano, Mattia Panettiere, Apostolos Tzimoulis, Nachoem Wijnberg
• Abstract要約: 与えられたオブジェクトの集合を分類する方法は、それらを分類するのに使用される機能の集合の選択に依存する。 まず,異なるアジェンダから生じる分類を用いて,外乱検出のための単純な教師なしFCAベースのアルゴリズムを開発する。 次に、重みや質量の異なる特徴の集合として分類する適切なアジェンダを学習するための教師付きメタ学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 42.321011564731585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Categorization is one of the basic tasks in machine learning and data analysis. Building on formal concept analysis (FCA), the starting point of the present work is that different ways to categorize a given set of objects exist, which depend on the choice of the sets of features used to classify them, and different such sets of features may yield better or worse categorizations, relative to the task at hand. In their turn, the (a priori) choice of a particular set of features over another might be subjective and express a certain epistemic stance (e.g. interests, relevance, preferences) of an agent or a group of agents, namely, their interrogative agenda. In the present paper, we represent interrogative agendas as sets of features, and explore and compare different ways to categorize objects w.r.t. different sets of features (agendas). We first develop a simple unsupervised FCA-based algorithm for outlier detection which uses categorizations arising from different agendas. We then present a supervised meta-learning algorithm to learn suitable (fuzzy) agendas for categorization as sets of features with different weights or masses. We combine this meta-learning algorithm with the unsupervised outlier detection algorithm to obtain a supervised outlier detection algorithm. We show that these algorithms perform at par with commonly used algorithms for outlier detection on commonly used datasets in outlier detection. These algorithms provide both local and global explanations of their results.
• Abstract（参考訳）: 分類は機械学習とデータ分析における基本的なタスクの1つである。 フォーマルな概念分析(FCA)に基づいて、この研究の出発点は、与えられた対象の集合を分類する様々な方法が存在し、それはそれらを分類するのに使用される特徴の集合の選択に依存する。 彼らのターンでは、ある特定の特徴セットの(優先的な)選択は主観的であり、あるエージェントまたはエージェントのグループ、すなわちその尋問的議題の特定の認識的スタンス(例えば、関心、関連性、嗜好)を表現するかもしれない。 本稿では,問合せを特徴の集合として表現し,対象の分類法をw.r.t. 異なる特徴集合(agendas)として検討・比較する。 まず,異なるアジェンダから生じる分類を用いて,外乱検出のための単純な教師なしFCAベースのアルゴリズムを開発する。 次に,重みや質量の異なる特徴集合として分類に適した(曖昧な)アジェンダを学ぶための教師付きメタラーニングアルゴリズムを提案する。 このメタ学習アルゴリズムと教師なし外乱検出アルゴリズムを組み合わせることで、教師付き外乱検出アルゴリズムを得る。 これらのアルゴリズムは, 一般に使用される異常検出における異常検出アルゴリズムと同等の性能を示す。 これらのアルゴリズムは、それらの結果の局所的およびグローバル的説明を提供する。

関連論文リスト

• A Rapid Review of Clustering Algorithms [5.46715422237599]
  クラスタリングアルゴリズムは、データ内の固有のパターンと類似性に基づいて、データをグループまたはクラスタにまとめることを目的としている。 それらは、マーケティングやeコマース、ヘルスケア、データ組織と分析、ソーシャルメディアなど、今日の生活において重要な役割を担っている。 既存のクラスタリングアルゴリズムを分析し、5つの異なる次元で主要なアルゴリズムを分類した。
  論文  参考訳（メタデータ） (2024-01-14T23:19:53Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• A Meta-Learning Algorithm for Interrogative Agendas [3.0969191504482247]
  我々は,質問的議題を表現するために,標準的な知識表現形式主義である形式概念分析(FCA)に焦点を当てる。 FCAベースのアルゴリズムは、分類や外れ値検出などの標準的な機械学習タスクにすでに使用されている。 本稿では,データを説明する優れた質問課題を構築するためのメタ学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-04T22:09:36Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• A Framework for Multi-View Classification of Features [6.660458629649826]
  データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。 本研究では,人間の複数視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-02T16:27:43Z)
• A review of systematic selection of clustering algorithms and their evaluation [0.0]
  本稿では,クラスタリングアルゴリズムとそれに対応する検証概念の体系的選択ロジックを同定することを目的とする。 目標は、潜在的なユーザが自分のニーズと基盤となるデータクラスタリングの問題の性質に最も適したアルゴリズムを選択できるようにすることだ。
  論文  参考訳（メタデータ） (2021-06-24T07:01:46Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。