Fugu-MT 論文翻訳(概要): A Mallows-like Criterion for Anomaly Detection with Random Forest Implementation

論文の概要: A Mallows-like Criterion for Anomaly Detection with Random Forest Implementation

arxiv url: http://arxiv.org/abs/2405.18932v1
Date: Wed, 29 May 2024 09:36:57 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 17:49:44.162133
Title: A Mallows-like Criterion for Anomaly Detection with Random Forest Implementation
Title（参考訳）: ランダムフォレスト実装による異常検出のためのマロズライクな基準
Authors: Gaoxiang Zhao, Lu Wang, Xiaoqiang Wang,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.569443648362081
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The effectiveness of anomaly signal detection can be significantly undermined by the inherent uncertainty of relying on one specified model. Under the framework of model average methods, this paper proposes a novel criterion to select the weights on aggregation of multiple models, wherein the focal loss function accounts for the classification of extremely imbalanced data. This strategy is further integrated into Random Forest algorithm by replacing the conventional voting method. We have evaluated the proposed method on benchmark datasets across various domains, including network intrusion. The findings indicate that our proposed method not only surpasses the model averaging with typical loss functions but also outstrips common anomaly detection algorithms in terms of accuracy and robustness.
Abstract（参考訳）: 異常信号検出の有効性は、特定のモデルに依存する固有の不確実性によって著しく損なわれる可能性がある。モデル平均法の枠組みの下では,集中損失関数が極めて不均衡なデータの分類に寄与するような,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。この戦略は従来の投票法を置き換えることでランダムフォレストアルゴリズムにさらに統合される。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。提案手法は, 典型的な損失関数を用いた平均化モデルを上回るだけでなく, 精度とロバスト性の観点から, 一般的な異常検出アルゴリズムを超越することを示す。

関連論文リスト

Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文参考訳（メタデータ） (2024-07-12T01:50:07Z)
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)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
A Prototype-Oriented Framework for Unsupervised Domain Adaptation [52.25537670028037]
メモリと計算効率のよい確率的フレームワークを提供し、クラスプロトタイプを抽出し、ターゲットとなる特徴をそれらと整合させる。本稿では,単一ソース,マルチソース,クラス不均衡,ソースプライベートドメイン適応など,幅広いシナリオにおいて,本手法の汎用性を実証する。
論文参考訳（メタデータ） (2021-10-22T19:23:22Z)
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)
Deep Random Projection Outlyingness for Unsupervised Anomaly Detection [1.2249546377051437]
元のランダムプロジェクションアウトライジングネス尺度をニューラルネットワークに修正して関連付け、教師なし異常検出方法を得る。提案したニューラルネットワークアプローチの性能は、最先端の異常検出手法に匹敵する。
論文参考訳（メタデータ） (2021-06-08T14:13:43Z)
Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2021-03-01T01:43:04Z)
A Transfer Learning Framework for Anomaly Detection Using Model of Normality [2.9685635948299995]
畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。提案したしきい値設定により,大幅な性能向上が達成できることを示す。
論文参考訳（メタデータ） (2020-11-12T05:26:32Z)
Categorical anomaly detection in heterogeneous data using minimum description length clustering [3.871148938060281]
異種データを扱うため,MPLに基づく異常検出モデルの拡張のためのメタアルゴリズムを提案する。実験の結果, 離散混合モデルを用いることで, 従来の2つの異常検出アルゴリズムと比較して, 競合性能が向上することがわかった。
論文参考訳（メタデータ） (2020-06-14T14:48:37Z)
Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。我々は,再建基準の代替として,異常スコアの代替尺度を提案した。提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。