論文の概要: PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection

• arxiv url: http://arxiv.org/abs/2412.12154v1
• Date: Wed, 11 Dec 2024 07:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:02:22.374142
• Title: PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection
• Title（参考訳）: PyOD 2: LLMを利用したモデル選択による外部検出のためのPythonライブラリ
• Authors: Sihan Chen, Zhuangzhuang Qian, Wingchun Siu, Xingcan Hu, Jiaqi Li, Shawn Li, Yuehan Qin, Tiankai Yang, Zhuo Xiao, Wanghao Ye, Yichi Zhang, Yushun Dong, Yue Zhao,
• Abstract要約: Outlier Detection(OD)は、不正検出、ネットワーク侵入検出、クリックストリーム分析、レコメンデーションシステム、ソーシャルネットワークモデレーションに応用するための、重要な機械学習(ML)タスクである。 PyODはODの最も広く採用されているライブラリで、8500以上のGitHubスター、2500万ダウンロード、さまざまな業界利用がある。 PyODバージョン2(PyOD2)は、12の最先端ディープラーニングモデルをPyTorchフレームワークに統合し、ODモデルの自動選択のための大規模言語モデル(LLM)ベースのパイプラインを導入する。
• 参考スコア（独自算出の注目度）: 18.108558631930766
• License:
• Abstract: Outlier detection (OD), also known as anomaly detection, is a critical machine learning (ML) task with applications in fraud detection, network intrusion detection, clickstream analysis, recommendation systems, and social network moderation. Among open-source libraries for outlier detection, the Python Outlier Detection (PyOD) library is the most widely adopted, with over 8,500 GitHub stars, 25 million downloads, and diverse industry usage. However, PyOD currently faces three limitations: (1) insufficient coverage of modern deep learning algorithms, (2) fragmented implementations across PyTorch and TensorFlow, and (3) no automated model selection, making it hard for non-experts. To address these issues, we present PyOD Version 2 (PyOD 2), which integrates 12 state-of-the-art deep learning models into a unified PyTorch framework and introduces a large language model (LLM)-based pipeline for automated OD model selection. These improvements simplify OD workflows, provide access to 45 algorithms, and deliver robust performance on various datasets. In this paper, we demonstrate how PyOD 2 streamlines the deployment and automation of OD models and sets a new standard in both research and industry. PyOD 2 is accessible at [https://github.com/yzhao062/pyod](https://github.com/yzhao062/pyod). This study aligns with the Web Mining and Content Analysis track, addressing topics such as the robustness of Web mining methods and the quality of algorithmically-generated Web data.
• Abstract（参考訳）: 異常検出(英: Anomaly Detection)は、不正検出、ネットワーク侵入検出、クリックストリーム分析、レコメンデーションシステム、ソーシャルネットワークモデレーションに応用するための、重要な機械学習(ML)タスクである。 アウトリーチ検出のためのオープンソースライブラリの中で、Python Outlier Detection (PyOD)ライブラリが最も広く採用されており、8500以上のGitHubスター、2500万ダウンロード、さまざまな業界利用がある。 しかしながら、PyODは現在、3つの制限に直面している。(1)近代的なディープラーニングアルゴリズムのカバレッジ不足、(2)PyTorchとTensorFlowにまたがる断片化実装、(3)自動モデル選択がなく、非専門家にとっては難しい。 これらの問題に対処するために、12の最先端ディープラーニングモデルを統合されたPyTorchフレームワークに統合するPyOD Version 2(PyOD2)を紹介し、ODモデルの自動選択のための大規模言語モデル(LLM)ベースのパイプラインを導入する。 これらの改善は、ODワークフローを単純化し、45のアルゴリズムへのアクセスを提供し、さまざまなデータセットで堅牢なパフォーマンスを提供する。 本稿では,PyOD 2がODモデルの展開と自動化の合理化を図り,研究と産業の両面で新たな標準を定めていることを示す。 PyOD 2は[https://github.com/yzhao062/pyod](https://github.com/yzhao062/pyod]でアクセスできる。 本研究は,Webマイニング手法の堅牢性やアルゴリズムによるWebデータの質といったトピックに対処するため,Webマイニングとコンテンツ分析のトラックと連携する。

関連論文リスト

• Model Equality Testing: Which Model Is This API Serving? [59.005869726179455]
  2サンプルテスト問題であるモデル品質テストのような歪みの検出を形式化する。 単純な文字列カーネル上に構築されたテストは、歪みの範囲に対して77.4%の中央値を達成する。 次に、このテストを4つのLlamaモデルの商用推論APIに適用し、31のエンドポイントのうち11がMetaがリリースしたリファレンスウェイトとは異なる分布を提供することがわかった。
  論文  参考訳（メタデータ） (2024-10-26T18:34:53Z)
• DiffAgent: Fast and Accurate Text-to-Image API Selection with Large Language Model [90.71963723884944]
  テキスト・ツー・イメージ(T2I)生成モデルは非常に注目され、学術研究の内外に広く応用されている。 DiffAgentは、APIコールを介して、正確な選択を秒単位でスクリーニングするように設計されたエージェントである。 評価の結果,DiffAgentは適切なT2I APIの同定に優れるだけでなく,SFTAトレーニングフレームワークの有効性も裏付けることがわかった。
  論文  参考訳（メタデータ） (2024-03-31T06:28:15Z)
• Exploring Green AI for Audio Deepfake Detection [21.17957700009653]
  ディープニューラルネットワークを利用した最先端のオーディオディープフェイク検出器は、印象的な認識性能を示している。 ディープNLPモデルはCOtextsubscript2の約626klbのCOtextsubscript2を生成する。 そこで本研究では,標準CPUリソースを用いてシームレスにトレーニング可能な,オーディオディープフェイク検出のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-21T10:54:21Z)
• Distributed Inference and Fine-tuning of Large Language Models Over The Internet [91.00270820533272]
  大規模言語モデル(LLM)は、多くのNLPタスクで有用であり、サイズが向上する。 これらのモデルはハイエンドのハードウェアを必要とするため、ほとんどの研究者にはアクセスできない。 本研究では,システムスループットの最大化のためにデバイスを自動的に割り当てるフォールトトレラント推論アルゴリズムとロードバランシングプロトコルを開発する。
  論文  参考訳（メタデータ） (2023-12-13T18:52:49Z)
• A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP [0.0]
  時系列データ中の事象を検出するための新しいディープラーニング制御手法を提案する。 これは二項分類ではなく回帰に基づく。 ラベル付きデータセットは必要とせず、各ポイントにラベルが付けられている。 時間ポイントや時間間隔として定義された参照イベントのみを必要とする。
  論文  参考訳（メタデータ） (2023-10-25T09:13:19Z)
• PyPOTS: A Python Toolbox for Data Mining on Partially-Observed Time Series [0.0]
  PyPOTSは、部分的に保存された時系列のデータマイニングと分析に特化した、オープンソースのPythonライブラリである。 これは、計算、分類、クラスタリング、予測の4つのタスクに分類される多様なアルゴリズムに容易にアクセスできる。
  論文  参考訳（メタデータ） (2023-05-30T07:57:05Z)
• PySAD: A Streaming Anomaly Detection Framework in Python [0.0]
  PySADは、ストリーミングデータの異常検出のためのオープンソースのpythonフレームワークである。 PySADは、PyODやScikit-learnといった人気のあるオープンソースフレームワークの上に構築されている。
  論文  参考訳（メタデータ） (2020-09-05T17:41:37Z)
• DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person Detection in 2D Range Data [81.06749792332641]
  本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。 DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。 DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
  論文  参考訳（メタデータ） (2020-04-29T11:01:44Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。