Skrywers:  (1) Guillaume Staerman, INRIA, CEA, Univ. Parys-Saclay, Frankryk;  (2) Marta Campi, CERIAH, Institut de l'Audition, Institut Pasteur, Frankryk;  (3) Gareth W. Peters, Departement Statistiek en Toegepaste Waarskynlikheid, Universiteit van Kalifornië Santa Barbara, VSA.  Tabel van skakels   Abstrakte en 1. Inleiding   2. Agtergrond & Voorlopige   2.1. Funksionele isolasiebos   2.2. Die handtekeningmetode   3. Handtekening Isolasie Bos Metode   4. Numeriese Eksperimente   4.1. Parameters Sensitiwiteitsanalise   4.2. Voordele van (K-)SIF bo FIF   4.3. Reële data Anomalie Detection Benchmark   5. Bespreking en gevolgtrekking, impakverklarings en verwysings  Bylaag   A. Bykomende inligting oor die handtekening   B. K-SIF en SIF Algoritmes   C. Addisionele Numeriese Eksperimente  4.3. Reële data Anomalie Detection Benchmark  Om die doeltreffendheid van die voorgestelde (K-)SIF-algoritmes te evalueer en 'n vergelyking met FIF te verskaf, voer ons 'n vergelykende analise uit met behulp van tien anomalie-opsporingsdatastelle wat in Staerman et al. (2019) en verkry vanaf die UCR-bewaarplek (Chen et al., 2015). In teenstelling met Staerman et al. (2019), gebruik ons nie 'n opleiding-/toetsdeel nie, aangesien die etikette nie vir die opleiding gebruik word nie en modelle oplei en evalueer slegs op die opleidingsdata. Ons evalueer die algoritmes se prestasie deur die AUC onder die ROC-krommes te kwantifiseer.   Aan die een kant illustreer Figuur 4 die prestasieverskil tussen FIF en K-SIF deur die Brownse woordeboek te gebruik. Veral, K-SIF toon 'n beduidende prestasievoordeel bo FIF. Hierdie waarneming onderstreep die doeltreffendheid van die handtekeningkern in die verbetering van FIF se werkverrigting oor die meeste datastelle, en beklemtoon die voordele van die gebruik daarvan bo 'n eenvoudige innerlike produk. Aan die ander kant, met inagneming van die ingewikkeldheid van funksionele data, word daar van geen unieke metode verwag om ander universeel beter te presteer nie.  SIF toon egter sterk prestasie in die meeste gevalle, wat die beste resultate vir vyf datastelle behaal. In teenstelling met FIF en K-SIF, toon dit robuustheid teenoor die verskeidenheid datastelle terwyl dit nie drasties beïnvloed word deur die keuse van die parameters betrokke by FIF (woordeboek en binneproduk) en K-SIF (woordeboek).  Hierdie vraestel is   onder CC BY 4.0 DEED-lisensie. beskikbaar op arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Computational.TECH

Computational catalyzes innovation, fueling sustainable breakthroughs for a brighter future.

computational's blog

Hierdie oudio word in die oorspronklike taal van die storie vervaardig!

Hoe (K-)SIF beter as FIF presteer in Real-Data Anomalie Detection

About Author

KOMMENTAAR

HANG TAGS

HIERDIE ARTIKEL IS AANGEBIED IN

Related Stories

Hurry! One Month Left to Win from $5000 in the Web3 Development Writing Contest

How to Vote in the HackerNoon 2021 Noonies Awards #Noonies2021

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

'Decentralization Means Freedom': Interview with Alfredo de Candia

Hurry! One Month Left to Win from $5000 in the Web3 Development Writing Contest

How to Vote in the HackerNoon 2021 Noonies Awards #Noonies2021

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

'Decentralization Means Freedom': Interview with Alfredo de Candia

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps