論文の概要: Extended Histogram-based Outlier Score (EHBOS)

• arxiv url: http://arxiv.org/abs/2502.05719v1
• Date: Sat, 08 Feb 2025 23:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:36:21.196689
• Title: Extended Histogram-based Outlier Score (EHBOS)
• Title（参考訳）: 拡張ヒストグラムに基づく外部スコア(EHBOS)
• Authors: Tanvir Islam,
• Abstract要約: Histogram-Based Outlier Score (HBOS) は、その計算効率と簡易さで広く使われている外れ値検出法である。 2次元ヒストグラムを組み込んだ拡張ヒストグラムベースアウトリースコア(EHBOS)を提案する。 我々は17のベンチマークデータセット上でEHBOSを評価し、様々な異常検出シナリオにおけるその有効性と堅牢性を実証した。
• 参考スコア（独自算出の注目度）: 0.135975510645475
• License:
• Abstract: Histogram-Based Outlier Score (HBOS) is a widely used outlier or anomaly detection method known for its computational efficiency and simplicity. However, its assumption of feature independence limits its ability to detect anomalies in datasets where interactions between features are critical. In this paper, we propose the Extended Histogram-Based Outlier Score (EHBOS), which enhances HBOS by incorporating two-dimensional histograms to capture dependencies between feature pairs. This extension allows EHBOS to identify contextual and dependency-driven anomalies that HBOS fails to detect. We evaluate EHBOS on 17 benchmark datasets, demonstrating its effectiveness and robustness across diverse anomaly detection scenarios. EHBOS outperforms HBOS on several datasets, particularly those where feature interactions are critical in defining the anomaly structure, achieving notable improvements in ROC AUC. These results highlight that EHBOS can be a valuable extension to HBOS, with the ability to model complex feature dependencies. EHBOS offers a powerful new tool for anomaly detection, particularly in datasets where contextual or relational anomalies play a significant role.
• Abstract（参考訳）: Histogram-Based Outlier Score (HBOS) は、その計算効率と簡易さで広く使われている外れ値検出法である。 しかし、機能独立の仮定は、機能間の相互作用が重要となるデータセットの異常を検出する能力を制限している。 本稿では,2次元ヒストグラムを組み込んだ拡張ヒストグラムベース外乱スコア(EHBOS)を提案する。 この拡張により、EHBOSは、HBOSが検出できないコンテキストおよび依存性駆動の異常を識別できる。 我々は17のベンチマークデータセット上でEHBOSを評価し、様々な異常検出シナリオにおけるその有効性と堅牢性を実証した。 EHBOSはいくつかのデータセット、特に特徴的相互作用が異常構造を定義する上で重要なデータセットにおいてHBOSよりも優れており、ROC AUCで顕著な改善が達成されている。 これらの結果は、EHBOSが複雑な機能の依存関係をモデル化する機能によって、HBOSの貴重な拡張になり得ることを浮き彫りにしている。 EHBOSは、特にコンテキストやリレーショナルな異常が重要な役割を果たすデータセットにおいて、異常検出のための強力な新しいツールを提供する。

関連論文リスト

• Causally-Aware Unsupervised Feature Selection Learning [15.20376149047008]
  非教師なし特徴選択(UFS)は、最近、ラベルなし高次元データの処理に有効であるとして注目されている。 従来のグラフベースの手法では、類似性グラフの構築において、非因果的特徴と因果的特徴の異なる影響を考慮できない。 Causally-Aware UnSupErvised Feature Selection Learning (CAUSE-FS)と呼ばれる新しいUFS法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T04:41:38Z)
• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• FGAD: Self-boosted Knowledge Distillation for An Effective Federated Graph Anomaly Detection Framework [33.62637380192881]
  グラフ異常検出(GAD)は、他のグラフと大きく異なる異常グラフを特定することを目的としている。 既存のGADメソッドは通常、集中的なトレーニングで実行される。 本稿では,これらの課題に対処する効果的なフェデレーショングラフ異常検出フレームワーク(FGAD)を提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:03:59Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Neural Relation Graph: A Unified Framework for Identifying Label Noise and Outlier Data [44.64190826937705]
  本稿では,データのリレーショナルグラフ構造に基づいてラベルエラーや外れ値データを検出するスケーラブルなアルゴリズムを提案する。 また,特徴埋め込み空間におけるデータポイントのコンテキスト情報を提供する可視化ツールも導入した。 提案手法は,検討対象のタスクすべてに対して最先端検出性能を達成し,大規模実世界のデータセットでその有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-29T02:09:13Z)
• Axial-LOB: High-Frequency Trading with Axial Attention [0.0]
  Axial-LOBは、リミットオーダーブック(LOB)データから在庫の価格変動を予測するための、完全に意図したディープラーニングアーキテクチャである。 我々のアーキテクチャは、グローバルな相互作用を取り入れた特徴マップを構築することができ、パラメータ空間のサイズを大幅に削減できる。 Axial-LOBの有効性は、数百万の高周波取引イベントの時系列表現を含む大規模なベンチマークデータセットで実証されている。
  論文  参考訳（メタデータ） (2022-12-04T12:11:03Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)

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。