論文の概要: Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls
- arxiv url: http://arxiv.org/abs/2501.02975v1
- Date: Mon, 06 Jan 2025 12:35:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:08:38.679597
- Title: Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls
- Title（参考訳）: ファジィグラニュラーボールを用いたファジィグラニュラー密度に基づく外乱検出
- Authors: Can Gao, Xiaofeng Tan, Jie Zhou, Weiping Ding, Witold Pedrycz,
- Abstract要約: 外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。
ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。
ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
- 参考スコア（独自算出の注目度）: 65.44462297594308
- License:
- Abstract: Outlier detection refers to the identification of anomalous samples that deviate significantly from the distribution of normal data and has been extensively studied and used in a variety of practical tasks. However, most unsupervised outlier detection methods are carefully designed to detect specified outliers, while real-world data may be entangled with different types of outliers. In this study, we propose a fuzzy rough sets-based multi-scale outlier detection method to identify various types of outliers. Specifically, a novel fuzzy rough sets-based method that integrates relative fuzzy granule density is first introduced to improve the capability of detecting local outliers. Then, a multi-scale view generation method based on granular-ball computing is proposed to collaboratively identify group outliers at different levels of granularity. Moreover, reliable outliers and inliers determined by the three-way decision are used to train a weighted support vector machine to further improve the performance of outlier detection. The proposed method innovatively transforms unsupervised outlier detection into a semi-supervised classification problem and for the first time explores the fuzzy rough sets-based outlier detection from the perspective of multi-scale granular balls, allowing for high adaptability to different types of outliers. Extensive experiments carried out on both artificial and UCI datasets demonstrate that the proposed outlier detection method significantly outperforms the state-of-the-art methods, improving the results by at least 8.48% in terms of the Area Under the ROC Curve (AUROC) index. { The source codes are released at \url{https://github.com/Xiaofeng-Tan/MGBOD}. }
- Abstract（参考訳）: 外乱検出は、正常なデータの分布からかなり逸脱し、様々な実用的なタスクで広く研究され使用されている異常サンプルの同定を指す。
しかしながら、ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されており、実際のデータは異なる種類の外れ値で絡み合っている可能性がある。
本研究では,ファジィ粗集合を用いた多スケール外乱検出手法を提案する。
具体的には, 相対的なファジィ顆粒密度を積分したファジィ粗集合法を導入し, 局所的な外れ値の検出能力を向上させる。
そこで, グラニュラーボール計算に基づくマルチスケールビュー生成手法を提案し, 粒度の異なるグループアウトレイラを協調的に同定する。
さらに、三方向決定によって決定される信頼外乱および不整合を用いて、重み付き支持ベクトルマシンを訓練し、外乱検出の性能をさらに向上させる。
提案手法は、教師なし外乱検出を半教師付き分類問題に革新的に変換し、マルチスケールの粒状球の観点からファジィ粗集合に基づく外乱検出を初めて検討し、異なる種類の外乱検出に高い適応性を実現する。
人工的およびUCIデータセットの両方で実施された広範囲な実験により、提案手法は最先端の手法を著しく上回り、ROC曲線(AUROC)指数の少なくとも8.48%の結果を改善した。
ソースコードは \url{https://github.com/Xiaofeng-Tan/MGBOD} で公開される。
※
関連論文リスト
- Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。
このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。
4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文 参考訳（メタデータ） (2024-08-02T14:34:27Z) - Rethinking Unsupervised Outlier Detection via Multiple Thresholding [15.686139522490189]
本稿では,既存のスコアリング手法を進化させるために,マルチしきい値(Multi-T)モジュールを提案する。
これにより、2つのしきい値が生成され、不正なターゲットデータセットからインレーヤとアウトレーヤを分離する。
実験により,Multi-Tが提案したアウトリースコアリング法を大幅に改善できることが確認された。
論文 参考訳（メタデータ） (2024-07-07T14:09:50Z) - Unsupervised Outlier Detection using Random Subspace and Subsampling Ensembles of Dirichlet Process Mixtures [1.3258129717033857]
本稿では,ディリクレ過程のガウス混合のアンサンブルを利用した新しい外乱検出法を提案する。
この教師なしのアルゴリズムは、ランダムな部分空間とサブサンプリングアンサンブルを用いて、効率的な計算を確実にし、アウタリア検出器のロバスト性を改善する。
論文 参考訳（メタデータ） (2024-01-01T14:34:11Z) - Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。
より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。
提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文 参考訳（メタデータ） (2023-11-19T09:41:10Z) - CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD [0.3749861135832073]
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) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - Homophily Outlier Detection in Non-IID Categorical Data [43.51919113927003]
この研究は、新しい外れ値検出フレームワークとその2つのインスタンスを導入し、カテゴリデータの外れ値を特定する。
まず、分布に敏感な外部因子とその相互依存性を値値グラフベースの表現に定義し、組み込む。
学習した値の外れ度は、直接の外れ値検出または特徴選択の除外を可能にする。
論文 参考訳（メタデータ） (2021-03-21T23:29:33Z) - Outlier Detection Using a Novel method: Quantum Clustering [24.11904406960212]
通常のデータインスタンスは、データ密度の変動がほとんどない領域に常駐する。
我々は、教師なし外乱検出に新しい密度に基づくアプローチを適用した。
論文 参考訳（メタデータ） (2020-06-08T17:19:41Z) - 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。
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。