Autores:  (1) Guillaume Staerman, INRIA, CEA, Univ. París-Saclay, Francia;  (2) Marta Campi, CERIAH, Institut de l'Audition, Institut Pasteur, Francia;  (3) Gareth W. Peters, Departamento de Estadística y Probabilidad Aplicada, Universidad de California en Santa Bárbara, EE.UU.  Tabla de enlaces   Resumen y 1. Introducción   2. Antecedentes y preliminares   2.1. Bosque de aislamiento funcional   2.2 El método de la firma   3. Método de bosque de aislamiento de firmas   4. Experimentos numéricos   4.1. Análisis de sensibilidad de parámetros   4.2. Ventajas del (K-)SIF sobre el FIF   4.3. Punto de referencia para la detección de anomalías con datos reales   5. Discusión y conclusión, declaraciones de impacto y referencias  Apéndice   A. Información adicional sobre la firma   B. Algoritmos K-SIF y SIF   C. Experimentos numéricos adicionales  4.3. Punto de referencia para la detección de anomalías con datos reales  Para evaluar la efectividad de los algoritmos (K-)SIF propuestos y proporcionar una comparación con FIF, realizamos un análisis comparativo utilizando diez conjuntos de datos de detección de anomalías construidos en Staerman et al. (2019) y obtenidos del repositorio UCR (Chen et al., 2015). A diferencia de Staerman et al. (2019), no utilizamos una parte de entrenamiento/prueba ya que las etiquetas no se utilizan para el entrenamiento y entrenamos y evaluamos modelos solo en los datos de entrenamiento. Evaluamos el rendimiento de los algoritmos cuantificando el AUC bajo las curvas ROC.   Por un lado, la Figura 4 ilustra la disparidad de rendimiento entre FIF y K-SIF utilizando el diccionario browniano. Cabe destacar que K-SIF exhibe una ventaja de rendimiento significativa sobre FIF. Esta observación subraya la eficacia del kernel de firma para mejorar el rendimiento de FIF en la mayoría de los conjuntos de datos, lo que enfatiza las ventajas de utilizarlo en lugar de un producto interno simple. Por otro lado, considerando la complejidad de los datos funcionales, no se espera que ningún método único supere a otros universalmente.  Sin embargo, SIF demuestra un buen desempeño en la mayoría de los casos, logrando los mejores resultados para cinco conjuntos de datos. A diferencia de FIF y K-SIF, muestra solidez ante la variedad de conjuntos de datos sin verse drásticamente afectado por la elección de los parámetros involucrados en FIF (diccionario y producto interno) y K-SIF (diccionario).  Este artículo está   bajo la licencia CC BY 4.0 DEED. disponible en 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.

Cómo (K-)SIF supera a FIF en la detección de anomalías de datos reales

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

El modelo Bitcoin UTXO, impulsando un ecosistema único

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

El modelo Bitcoin UTXO, impulsando un ecosistema único

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps