論文の概要: Unsupervised Outlier Detection using Random Subspace and Subsampling
Ensembles of Dirichlet Process Mixtures
- arxiv url: http://arxiv.org/abs/2401.00773v2
- Date: Sat, 13 Jan 2024 05:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 21:19:29.906114
- Title: Unsupervised Outlier Detection using Random Subspace and Subsampling
Ensembles of Dirichlet Process Mixtures
- Title(参考訳): ランダム部分空間とディリクレ過程のサブサンプリングアンサンブルを用いた教師なし外乱検出
- Authors: Dongwook Kim, Juyeon Park, Hee Cheol Chung, Seonghyun Jeong
- Abstract要約: ディリクレ過程のガウス混合のアンサンブルに基づく新しい外乱検出法を提案する。
提案手法は,効率的な計算と高速計算を実現するために,ランダムな部分空間とサブサンプリングアンサンブルを利用する。
ベンチマークデータセットを用いた実証研究により,本手法は教師なし外乱検出の既存手法よりも優れていることが示された。
- 参考スコア(独自算出の注目度): 1.4483554258314688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic mixture models are acknowledged as a valuable tool for
unsupervised outlier detection owing to their interpretability and intuitive
grounding in statistical principles. Within this framework, Dirichlet process
mixture models emerge as a compelling alternative to conventional finite
mixture models for both clustering and outlier detection tasks. However,
despite their evident advantages, the widespread adoption of Dirichlet process
mixture models in unsupervised outlier detection has been hampered by
challenges related to computational inefficiency and sensitivity to outliers
during the construction of detectors. To tackle these challenges, we propose a
novel outlier detection method based on ensembles of Dirichlet process Gaussian
mixtures. The proposed method is a fully unsupervised algorithm that
capitalizes on random subspace and subsampling ensembles, not only ensuring
efficient computation but also enhancing the robustness of the resulting
outlier detector. Moreover, the proposed method leverages variational inference
for Dirichlet process mixtures to ensure efficient and fast computation.
Empirical studies with benchmark datasets demonstrate that our method
outperforms existing approaches for unsupervised outlier detection.
- Abstract(参考訳): 確率的混合モデルは、その解釈可能性と統計的原理の直感的根拠のために教師なしの異常検出のための貴重なツールとして認識される。
このフレームワークでは、dirichletプロセス混合モデルが、クラスタリングと異常検出タスクの両方において、従来の有限混合モデルの魅力的な代替として現れる。
しかしながら、その明らかな利点にもかかわらず、教師なしの異常検出におけるディリクレ過程混合モデルの普及は、検出器構築時の計算の非効率性や異常値に対する感度に関する課題によって妨げられている。
これらの課題に対処するために, ジリクレ過程ガウス混合系のアンサンブルに基づく新しい異常検出法を提案する。
提案手法は, ランダムな部分空間とサブサンプリングアンサンブルに乗じて, 効率的な計算を行うだけでなく, 出力器の堅牢性を向上する, 完全教師なしのアルゴリズムである。
さらに,提案手法はディリクレプロセス混合系の変分推論を活用し,効率的な高速計算を実現する。
ベンチマークデータセットを用いた実証研究により,本手法は教師なし外乱検出の既存手法よりも優れていることが示された。
関連論文リスト
- Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳(メタデータ) (2023-06-16T16:30:39Z) - Convergence of uncertainty estimates in Ensemble and Bayesian sparse
model discovery [4.446017969073817]
ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。
このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
論文 参考訳(メタデータ) (2023-01-30T04:07:59Z) - CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD [0.3823356975862006]
与えられた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) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Distributed randomized Kaczmarz for the adversarial workers [12.372713404289264]
最小二乗問題に対して逆耐性の反復的アプローチを提案する。
提案手法の効率性は, 敵の存在下でのシミュレーションで示される。
論文 参考訳(メタデータ) (2022-02-28T21:10:43Z) - Unsupervised feature selection via self-paced learning and low-redundant
regularization [6.083524716031565]
自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。
この手法の収束性は理論的および実験的に証明される。
実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-12-14T08:28:19Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。
本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。
教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文 参考訳(メタデータ) (2021-09-29T02:56:45Z) - Copula Quadrant Similarity for Anomaly Scores [0.0]
複数の異常検出アルゴリズムのスコアを関連付けるためのフレームワークを提案する。
一対のアルゴリズムは、最も高いスコアをほぼ同じ観測値に割り当てる場合に類似するように定義されている。
提案手法は,異常検出アルゴリズムのクラスタを検出し,高精度でロバストなアンサンブルアルゴリズムを実現することを実証する。
論文 参考訳(メタデータ) (2021-01-07T02:19:36Z) - Robust Imitation Learning from Noisy Demonstrations [81.67837507534001]
我々は,対称的損失を伴う分類リスクを最適化することにより,ロバストな模倣学習を実現することができることを示す。
擬似ラベルと協調学習を効果的に組み合わせた新しい模倣学習法を提案する。
連続制御ベンチマークによる実験結果から,本手法は最先端手法よりも頑健であることがわかった。
論文 参考訳(メタデータ) (2020-10-20T10:41:37Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z)
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。