論文の概要: Ensemble of Precision-Recall Curve (PRC) Classification Trees with Autoencoders

• arxiv url: http://arxiv.org/abs/2509.05766v1
• Date: Sat, 06 Sep 2025 16:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.698255
• Title: Ensemble of Precision-Recall Curve (PRC) Classification Trees with Autoencoders
• Title（参考訳）: オートエンコーダを用いた精密リコール曲線(PRC)分類木のアンサンブル
• Authors: Jiaju Miao, Wei Zhu,
• Abstract要約: 異常検出は、ネットワークセキュリティ、侵入検出、不正防止といった重要な応用を支えている。 前者に対抗するため、我々は以前にPrecision-Recall Curve(PRC)分類木とそのアンサンブル拡張であるPRC-RF(PRCランダムフォレスト)を導入した。 そこで本研究では,PRC-RFを自動エンコーダと統合するハイブリッドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.060720241524644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection underpins critical applications from network security and intrusion detection to fraud prevention, where recognizing aberrant patterns rapidly is indispensable. Progress in this area is routinely impeded by two obstacles: extreme class imbalance and the curse of dimensionality. To combat the former, we previously introduced Precision-Recall Curve (PRC) classification trees and their ensemble extension, the PRC Random Forest (PRC-RF). Building on that foundation, we now propose a hybrid framework that integrates PRC-RF with autoencoders, unsupervised machine learning methods that learn compact latent representations, to confront both challenges simultaneously. Extensive experiments across diverse benchmark datasets demonstrate that the resulting Autoencoder-PRC-RF model achieves superior accuracy, scalability, and interpretability relative to prior methods, affirming its potential for high-stakes anomaly-detection tasks.
• Abstract（参考訳）: 異常検出は、ネットワークセキュリティや侵入検出から不正防止まで重要な応用を支え、異常パターンを迅速に認識することが不可欠である。 この領域の進歩は、極度の階級不均衡と次元の呪いという2つの障害によって、日常的に妨げられている。 前者に対抗するため,我々は以前,Precision-Recall Curve(PRC)分類木とそのアンサンブル拡張であるPRC-RF(PRCランダムフォレスト)を導入した。 そこで我々は,PRC-RFとオートエンコーダを統合し,コンパクトな潜在表現を学習する教師なし機械学習手法を組み合わせたハイブリッドフレームワークを提案する。 多様なベンチマークデータセットにわたる大規模な実験により、結果のAutoencoder-PRC-RFモデルは、従来の手法と比較して精度、スケーラビリティ、解釈可能性に優れており、高い異常検出タスクの可能性が確認されている。

関連論文リスト

• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• Mixing Classifiers to Alleviate the Accuracy-Robustness Trade-Off [8.169499497403102]
  本稿では、標準ニューラルネットワークとロバストニューラルネットワークの出力確率を混合した理論的動機付け型定式化を提案する。 数値実験により,混合分類器は精度・損耗トレードオフを著しく改善することを確認した。
  論文  参考訳（メタデータ） (2023-11-26T02:25:30Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。