論文の概要: Robust Isolation Forest using Soft Sparse Random Projection and Valley Emphasis Method

• arxiv url: http://arxiv.org/abs/2503.12125v1
• Date: Sat, 15 Mar 2025 13:08:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:24.034727
• Title: Robust Isolation Forest using Soft Sparse Random Projection and Valley Emphasis Method
• Title（参考訳）: ソフトスパース・ランダム・プロジェクションとバレー強調法によるロバストな孤立林
• Authors: Hun Kang, Kyoungok Kim,
• Abstract要約: アイフォレスト (iForest) は、異常がほとんど異なると仮定して、効果的に異常を検出するために設計された、教師なしの異常検出アルゴリズムである。 さまざまな研究がiForestの強化を目指しているが、結果のアルゴリズムはデータセット間での大幅なパフォーマンス格差をしばしば示していた。 これらの課題に対処するために、Robust iForest (RiForest)を紹介します。 RiForestは、ソフトスパースランダムプロジェクションによって得られた既存の特徴とランダムなハイパープレーンの両方を活用して、データセットに依存しない異常検出のための優れた分割特徴を特定する。
• 参考スコア（独自算出の注目度）: 9.115927248875568
• License:
• Abstract: Isolation Forest (iForest) is an unsupervised anomaly detection algorithm designed to effectively detect anomalies under the assumption that anomalies are ``few and different." Various studies have aimed to enhance iForest, but the resulting algorithms often exhibited significant performance disparities across datasets. Additionally, the challenge of isolating rare and widely distributed anomalies persisted in research focused on improving splits. To address these challenges, we introduce Robust iForest (RiForest). RiForest leverages both existing features and random hyperplanes obtained through soft sparse random projection to identify superior split features for anomaly detection, independent of datasets. It utilizes the underutilized valley emphasis method for optimal split point determination and incorporates sparsity randomization in soft sparse random projection for enhanced anomaly detection robustness. Across 24 benchmark datasets, experiments demonstrate RiForest's consistent outperformance of existing algorithms in anomaly detection, emphasizing stability and robustness to noise variables.
• Abstract（参考訳）: アイフォレスト (iForest) は、異常が ``few and different' であると仮定して、効果的に異常を検出するために設計された、教師なしの異常検出アルゴリズムである。 さまざまな研究がiForestの強化を目指していますが、結果として得られたアルゴリズムはデータセット間で大きなパフォーマンス格差を示していました。 さらに、稀で広く分布する異常を分離するという課題は、分割の改善に焦点をあてた研究で継続された。 これらの課題に対処するために、Robust iForest(RiForest)を紹介します。 RiForestは、ソフトスパースランダムプロジェクションによって得られた既存の特徴とランダムなハイパープレーンの両方を活用して、データセットに依存しない異常検出のための優れた分割特徴を特定する。 最適スプリットポイント決定に未使用の谷強調法を用い、ソフトスパースランダムプロジェクションにスパーシティランダム化を取り入れ、異常検出ロバスト性を高める。 24のベンチマークデータセットを通じて、RiForestは、ノイズ変数に対する安定性と堅牢性を強調して、異常検出における既存のアルゴリズムの一貫性のあるパフォーマンスを実証した。

関連論文リスト

• Calibrated Unsupervised Anomaly Detection in Multivariate Time-series using Reinforcement Learning [0.0]
  本稿では,自己エンコーダの潜伏空間における強化学習(RL)を用いた時系列データにおける教師なし異常検出について検討する。 我々はウェーブレット解析を用いて異常検出を強化し、時系列データを時間領域と周波数領域の両方に分解する。 我々は、合成異常を生成し、モデル内に教師付きフレームワークを埋め込むことで、決定境界を校正する。
  論文  参考訳（メタデータ） (2025-02-05T15:02:40Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Anomaly Detection Based on Isolation Mechanisms: A Survey [13.449446806837422]
  分離に基づく教師なし異常検出は、データの異常を識別するための新しく効果的なアプローチである。 本稿では,データ分割戦略,異常スコア関数,アルゴリズムの詳細など,最先端の分離に基づく異常検出手法について概説する。
  論文  参考訳（メタデータ） (2024-03-16T04:29:21Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• Deep Isolation Forest for Anomaly Detection [16.581154394513025]
  孤立林(iForest)は近年、おそらく最も人気のある異常検知器として出現している。 我々のモデルでは,データセット上での最先端の分離手法や深層検出器よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-06-14T05:47:07Z)
• Anomaly Rule Detection in Sequence Data [2.3757190901941736]
  本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。 本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
  論文  参考訳（メタデータ） (2021-11-29T23:52:31Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Interpretable Anomaly Detection with DIFFI: Depth-based Isolation Forest Feature Importance [4.769747792846005]
  異常検出(英: Anomaly Detection)は、歴史的データに対する異常な振る舞いを検出することを目的とした教師なし学習課題である。 孤立林は、異常検出の分野で最も広く採用されているアルゴリズムの1つである。 本稿では,森林のグローバルレベルと地域レベルの両方で特徴重要度を定義する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-21T22:19:21Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。