論文の概要: Outlyingness Scores with Cluster Catch Digraphs

• arxiv url: http://arxiv.org/abs/2501.05530v1
• Date: Thu, 09 Jan 2025 19:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:28:25.126315
• Title: Outlyingness Scores with Cluster Catch Digraphs
• Title（参考訳）: クラスタ・キャッシュ・ダイグラフを用いたアウトリージングネススコア
• Authors: Rui Shi, Nedret Billor, Elvan Ceyhan,
• Abstract要約: 本稿では,クラスタ・キャッシュ・ダイグラフ(CCD)に基づく2つの新しいアウトリーニングネススコア(OS)について紹介する。 どちらのOSもグラフ、密度、分布に基づく技術を採用しており、クラスタ形状や強度の異なる高次元データに調整されている。 モンテカルロシミュレーションにより、両OSの性能をCCDベース、従来型、最先端の異常検出手法と比較する。
• 参考スコア（独自算出の注目度）: 1.6440434996206625
• License:
• Abstract: This paper introduces two novel, outlyingness scores (OSs) based on Cluster Catch Digraphs (CCDs): Outbound Outlyingness Score (OOS) and Inbound Outlyingness Score (IOS). These scores enhance the interpretability of outlier detection results. Both OSs employ graph-, density-, and distribution-based techniques, tailored to high-dimensional data with varying cluster shapes and intensities. OOS evaluates the outlyingness of a point relative to its nearest neighbors, while IOS assesses the total ``influence" a point receives from others within its cluster. Both OSs effectively identify global and local outliers, invariant to data collinearity. Moreover, IOS is robust to the masking problems. With extensive Monte Carlo simulations, we compare the performance of both OSs with CCD-based, traditional, and state-of-the-art outlier detection methods. Both OSs exhibit substantial overall improvements over the CCD-based methods in both artificial and real-world data sets, particularly with IOS, which delivers the best overall performance among all the methods, especially in high-dimensional settings. Keywords: Outlier detection, Outlyingness score, Graph-based clustering, Cluster catch digraphs, High-dimensional data.
• Abstract（参考訳）: 本稿では,クラスタ・キャッシュ・ダイグラフ(CCD)に基づく2つの新しいアウトリーニングネススコア(OS)について紹介する:アウトバウンド・アウトリーニングネススコア(OOS)とインバウンド・アウトリーニングネススコア(IOS)。 これらのスコアは、外れ値検出結果の解釈可能性を高める。 どちらのOSもグラフ、密度、分布に基づく技術を採用しており、クラスタ形状や強度の異なる高次元データに調整されている。 OOSは近接する隣人に対する点のアウトライジング性を評価し、IOSは、その点がクラスタ内の他のものから受ける「影響」の総量を評価する。 両方のOSは、データコリニアリティに不変なグローバルおよびローカルなアウトリーチを効果的に識別する。 さらに、IOSはマスキング問題に対して堅牢である。 モンテカルロシミュレーションにより、両OSの性能をCCDベース、従来型、最先端の異常検出手法と比較する。 どちらのOSも、人工と現実世界の両方のデータセットにおいて、CCDベースの手法よりも大幅に改善されている。 キーワード: 外乱検出、外乱スコア、グラフベースのクラスタリング、クラスタキャッチダイグラフ、高次元データ。

関連論文リスト

• FLASC: A Flare-Sensitive Clustering Algorithm [0.0]
  本稿では,クラスタ内の分岐を検知してサブポピュレーションを同定するアルゴリズムFLASCを提案する。 アルゴリズムの2つの変種が提示され、ノイズの堅牢性に対する計算コストが取引される。 両変種は計算コストの観点からHDBSCAN*と類似してスケールし,安定した出力を提供することを示す。
  論文  参考訳（メタデータ） (2023-11-27T14:55:16Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Git: Clustering Based on Graph of Intensity Topology [25.679620842010422]
  我々は、新しいクラスタリングアルゴリズムGIT(textbfIntensity textbfTopologyのtextbfGraphに基づくクラスタリング)を提案する。 高速な局所クラスタ検出、堅牢なトポグラフの構築、エッジカットにより、GITは魅力的なARISE性能を示す。
  論文  参考訳（メタデータ） (2021-10-04T09:29:43Z)
• Swarm Intelligence for Self-Organized Clustering [6.85316573653194]
  Databionic Swarm(DBS)と呼ばれるSwarmシステムが導入された。 スウォームインテリジェンス、自己組織化、出現の相互関係を利用して、DBSはクラスタリングのタスクにおけるグローバルな目的関数の最適化に対する代替アプローチとして機能する。
  論文  参考訳（メタデータ） (2021-06-10T06:21:48Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Structure-Aware Face Clustering on a Large-Scale Graph with $\bf{10^{7}}$ Nodes [76.6700928596238]
  大規模トレーニングデータのパワーを探索する構造保存サブグラフサンプリング戦略を提案する。 STAR-FCは310秒以内に部分的なMS1Mで91.97Fスコアを得る。
  論文  参考訳（メタデータ） (2021-03-24T14:34:26Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Clustering Based on Graph of Density Topology [41.57592288113871]
  密度トポロジーグラフ (GDT) に基づく新しいクラスタリングアルゴリズムを提案する。 GDTは一般的なデータセットのほとんど全てでSOTAのパフォーマンスを実現し、O(nlogn)の低時間複雑さを持つ。
  論文  参考訳（メタデータ） (2020-09-24T11:40:24Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。