論文の概要: SPINEX: Similarity-based Predictions with Explainable Neighbors Exploration for Anomaly and Outlier Detection
- arxiv url: http://arxiv.org/abs/2407.04760v1
- Date: Fri, 5 Jul 2024 17:42:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 22:46:24.852885
- Title: SPINEX: Similarity-based Predictions with Explainable Neighbors Exploration for Anomaly and Outlier Detection
- Title（参考訳）: SPINEX:異常・異常検出のための説明可能な近傍探索と類似性に基づく予測
- Authors: MZ Naser, Ahmed Z Naser,
- Abstract要約: 本稿ではSPINEXファミリーの異常・異常検出アルゴリズムを提案する。
複数の部分空間にまたがる類似性や高次相互作用の概念を活用して、外接点を同定する。
SPINEXの性能を評価するための総合的な実験を行った。
- 参考スコア（独自算出の注目度）: 3.2432648012273346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel anomaly and outlier detection algorithm from the SPINEX (Similarity-based Predictions with Explainable Neighbors Exploration) family. This algorithm leverages the concept of similarity and higher-order interactions across multiple subspaces to identify outliers. A comprehensive set of experiments was conducted to evaluate the performance of SPINEX. This algorithm was examined against 21 commonly used anomaly detection algorithms, namely, namely, Angle-Based Outlier Detection (ABOD), Connectivity-Based Outlier Factor (COF), Copula-Based Outlier Detection (COPOD), ECOD, Elliptic Envelope (EE), Feature Bagging with KNN, Gaussian Mixture Models (GMM), Histogram-based Outlier Score (HBOS), Isolation Forest (IF), Isolation Neural Network Ensemble (INNE), Kernel Density Estimation (KDE), K-Nearest Neighbors (KNN), Lightweight Online Detector of Anomalies (LODA), Linear Model Deviation-based Detector (LMDD), Local Outlier Factor (LOF), Minimum Covariance Determinant (MCD), One-Class SVM (OCSVM), Quadratic MCD (QMCD), Robust Covariance (RC), Stochastic Outlier Selection (SOS), and Subspace Outlier Detection (SOD), and across 39 synthetic and real datasets from various domains and of a variety of dimensions and complexities. Furthermore, a complexity analysis was carried out to examine the complexity of the proposed algorithm. Our results demonstrate that SPINEX achieves superior performance, outperforms commonly used anomaly detection algorithms, and has moderate complexity (e.g., O(n log n d)). More specifically, SPINEX was found to rank at the top of algorithms on the synthetic datasets and the 7th on the real datasets. Finally, a demonstration of the explainability capabilities of SPINEX, along with future research needs, is presented.
- Abstract（参考訳）: 本稿では,SPINEX(Similarity-based Predictions with Explainable Neighbors Exploration)ファミリーの異常・異常検出アルゴリズムを提案する。
このアルゴリズムは、複数の部分空間にまたがる類似性と高次相互作用の概念を活用して、外れ値の同定を行う。
SPINEXの性能を評価するための総合的な実験を行った。
このアルゴリズムは、一般的な21種類の異常検出アルゴリズム、すなわち、アングルベース外乱検出(ABOD)、接続性ベース外乱検出(COF)、コプラベース外乱検出(COPOD)、ECOD、楕円エンベロープ(EE)、KNN、ガウス混合モデル(GMM)、ヒストグラムベース外乱スコア(HBOS)、アイソレーションフォレスト(IF)、孤立ニューラルネットワークアンサンブル(INNE)、カーネル密度推定(KDE)、K-Nearest Neighbors(KNN)、軽量オンライン異常検出(LODA)、線形モデル偏差検出(LMLMDD)、局所的外乱検出(LODA)、最小共分散(LODA)、最小共分散(MCD)、SVM(SVM)、SCD(SCD)、SCD(SCD)、SCD(SCD)、SPSOS(S)、SSO(S)、SSO(SSO)、SSO(S)などについて検討した。
さらに,提案アルゴリズムの複雑性を調べるために,複雑性解析を行った。
以上の結果から,SPINEXは性能が優れ,異常検出アルゴリズムに優れ,やや複雑である(例: O(n log n d))。
より具体的には、SPINEXは、合成データセットのアルゴリズムのトップと、実際のデータセットの7番目にランクされている。
最後に,SPINEXにおける説明可能性の実証と今後の研究ニーズについて述べる。
関連論文リスト
- SPINEX-Clustering: Similarity-based Predictions with Explainable Neighbors Exploration for Clustering Problems [3.2432648012273346]
本稿ではSPINEXアルゴリズムファミリからの新しいクラスタリングアルゴリズムを提案する。
新たに提案されたクラスタリング変種は、複数のサブスペースにまたがる類似性と高次相互作用の概念を活用して、データをクラスタにグループ化する。
以上の結果から,SPINEXのクラスタリングアルゴリズムは,上位5位以内のクラスタリングアルゴリズムより優れ,難易度が高いことが示唆された。
論文 参考訳（メタデータ） (2024-07-09T20:38:01Z) - An Optimal Algorithm for the Real-Valued Combinatorial Pure Exploration
of Multi-Armed Bandit [65.268245109828]
多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。
既存のR-CPE-MABの手法は、いわゆるトランスダクティブ線形帯域の特殊な場合と見なすことができる。
本稿では,差分探索アルゴリズム (CombGapE) を提案する。
論文 参考訳（メタデータ） (2023-06-15T15:37:31Z) - SPINEX: Similarity-based Predictions and Explainable Neighbors
Exploration for Regression and Classification Tasks in Machine Learning [1.5469452301122175]
本稿では,新しい類似性に基づく解釈可能な近傍探索アルゴリズムであるSPINEXを提案する。
アンサンブル学習と機能相互作用分析を組み合わせて、正確な予測と意味のある洞察を達成する。
その結果、SPINEXは比較性能を達成でき、いくつかのシナリオでは、一般的に採用されているMLアルゴリズムよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T14:40:56Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Kernel Biclustering algorithm in Hilbert Spaces [8.303238963864885]
我々は,エネルギー距離と平均誤差の最大値という概念を用いて,抽象空間における新しいモデルフリー・ビクラスタリングアルゴリズムを開発した。
提案手法は,既存の文献よりも一般的で複雑なクラスタ形状を学習することができる。
提案手法は,カーネルの適切な選択を前提として,その最適シナリオにおける最先端手法と類似している。
論文 参考訳（メタデータ） (2022-08-07T08:41:46Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Optimal Clustering with Bandit Feedback [57.672609011609886]
本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。
これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。
合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
論文 参考訳（メタデータ） (2022-02-09T06:05:05Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z) - Clustered Hierarchical Anomaly and Outlier Detection Algorithms [0.0]
距離計量によって定義されるバナッハ空間の多様体を学習する高速階層的クラスタリング手法であるCLAMを提案する。
24の公開データセットで、CHAODAのパフォーマンスを最先端の監視されていない異常検出アルゴリズムと比較します。
論文 参考訳（メタデータ） (2021-02-09T15:27:52Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳（メタデータ） (2020-12-09T08:16:35Z) - SECODA: Segmentation- and Combination-Based Detection of Anomalies [0.0]
SECODAは、連続的および分類的属性を含むデータセットの教師なし非パラメトリック異常検出アルゴリズムである。
このアルゴリズムはメモリのインプリントが低く、実行時のパフォーマンスはデータセットのサイズと線形にスケールする。
シミュレーションおよび実生活データセットによる評価は、このアルゴリズムが様々な種類の異常を識別できることを示している。
論文 参考訳（メタデータ） (2020-08-16T10:03:14Z)
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。