論文の概要: A method for outlier detection based on cluster analysis and visual expert criteria

• arxiv url: http://arxiv.org/abs/2510.23136v1
• Date: Mon, 27 Oct 2025 09:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.600787
• Title: A method for outlier detection based on cluster analysis and visual expert criteria
• Title（参考訳）: クラスタ分析と視覚専門家基準に基づく外乱検出手法
• Authors: Juan A. Lara, David Lizcano, Víctor Rampérez, Javier Soriano,
• Abstract要約: アウトリーチは不正な行動、機械的欠陥、ヒューマンエラー、あるいは単に自然な逸脱の結果である。 本稿では,クラスタリングプロセスに基づく異常検出手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Outlier detection is an important problem occurring in a wide range of areas. Outliers are the outcome of fraudulent behaviour, mechanical faults, human error, or simply natural deviations. Many data mining applications perform outlier detection, often as a preliminary step in order to filter out outliers and build more representative models. In this paper, we propose an outlier detection method based on a clustering process. The aim behind the proposal outlined in this paper is to overcome the specificity of many existing outlier detection techniques that fail to take into account the inherent dispersion of domain objects. The outlier detection method is based on four criteria designed to represent how human beings (experts in each domain) visually identify outliers within a set of objects after analysing the clusters. This has an advantage over other clustering-based outlier detection techniques that are founded on a purely numerical analysis of clusters. Our proposal has been evaluated, with satisfactory results, on data (particularly time series) from two different domains: stabilometry, a branch of medicine studying balance-related functions in human beings and electroencephalography (EEG), a neurological exploration used to diagnose nervous system disorders. To validate the proposed method, we studied method outlier detection and efficiency in terms of runtime. The results of regression analyses confirm that our proposal is useful for detecting outlier data in different domains, with a false positive rate of less than 2% and a reliability greater than 99%.
• Abstract（参考訳）: 外乱検出は、広範囲で発生する重要な問題である。 アウトリーチは不正な行動、機械的欠陥、ヒューマンエラー、あるいは単に自然な逸脱の結果である。 多くのデータマイニングアプリケーションは、アウトレイラをフィルタリングし、より代表的なモデルを構築するための予備的なステップとして、アウトレイラ検出を行う。 本稿では,クラスタリングプロセスに基づく外乱検出手法を提案する。 本論文の背景にある提案の目的は、ドメイン・オブジェクトの固有の分散を考慮に入れない多くの既存の外れ値検出手法の特異性を克服することである。 アウトラヤ検出方法は、人間の(各ドメインのエキスパート)がクラスタ分析後のオブジェクトの集合内のアウトラヤを視覚的に識別する方法を表すために設計された4つの基準に基づいている。 これは、クラスタの純粋に数値解析に基づいて構築された他のクラスタリングベースの異常検出技術よりも有利である。 本提案は, 神経系疾患の診断に使用される脳波と脳波のバランス機能を研究する医学の分野であるスタビロメトリー (Stbilometry) と脳波 (EEG) の2つの分野のデータ(特に時系列) に基づいて, 良好な結果を得た。 提案手法の有効性を検証するため,実行時の手法外乱検出と効率について検討した。 回帰分析の結果,提案手法は,2%未満の偽陽性率,99%以上の信頼性で,異なる領域の外れ値を検出するのに有用であることが確認された。

関連論文リスト

• Robustness and accuracy of mean opinion scores with hard and soft outlier detection [2.9214619971854723]
  映像品質と映像品質の主観評価では、観察者は選択された刺激を評価・比較する。 信頼できない評価を受けた可能性のある不信者を特定し、対処することが推奨される。
  論文  参考訳（メタデータ） (2025-09-08T11:09:14Z)
• Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
  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。
  論文  参考訳（メタデータ） (2025-01-06T12:35:51Z)
• 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)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Quantile-based Maximum Likelihood Training for Outlier Detection [5.902139925693801]
  我々は,推定時の外乱分離を改善するために,不整合分布を学習するための量子化に基づく最大極大目標を提案する。 本手法は, 事前学習した識別特徴に正規化フローを適合させ, 評価されたログ類似度に応じて異常値を検出する。
  論文  参考訳（メタデータ） (2023-08-20T22:27:54Z)
• Few-shot Forgery Detection via Guided Adversarial Interpolation [56.59499187594308]
  既存の偽造検出手法は、見知らぬ新しい偽造手法に適用した場合、大幅な性能低下に悩まされる。 本稿では,数発の偽造検出問題を克服するために,GAI(Guid Adversarial Interpolation)を提案する。 我々の手法は、多数派と少数派の偽造アプローチの選択に対して堅牢であることが検証されている。
  論文  参考訳（メタデータ） (2022-04-12T16:05:10Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。