著者:  (1) Guillaume Staerman、INRIA、CEA、大学パリ・サクレー、フランス。  (2) Marta Campi、CERIAH、Institut de l'Audition、Institut Pasteur、フランス。  （３）ガレス・W・ピーターズ、米国カリフォルニア大学サンタバーバラ校統計・応用確率学部 リンク一覧 要約と1. はじめに 2. 背景と準備 2.1. 機能分離フォレスト 2.2. 署名方式 3. 署名分離フォレスト方式 4. 数値実験 4.1. パラメータ感度分析 4.2. FIFに対する(K-)SIFの利点 4.3. 実データ異常検出ベンチマーク 5. 議論と結論、影響に関する声明、参考文献 付録 A. 署名に関する追加情報 B. K-SIF および SIF アルゴリズム C. 追加の数値実験 4.3. 実データ異常検出ベンチマーク 提案された (K-)SIF アルゴリズムの有効性を評価し、FIF と比較するために、Staerman ら (2019) で構築され、UCR リポジトリ (Chen ら、2015) から取得した 10 個の異常検出データセットを使用して比較分析を実行します。Staerman ら (2019) とは対照的に、ラベルはトレーニングに使用されず、トレーニング データのみでモデルをトレーニングおよび評価するため、トレーニング/テスト部分は使用しません。ROC 曲線の下の AUC を定量化することで、アルゴリズムのパフォーマンスを評価します。  一方、図 4 は、ブラウン辞書を使用した FIF と K-SIF のパフォーマンスの差を示しています。特に、K-SIF は FIF よりもパフォーマンス面で大きな優位性を示しています。この観察結果は、ほとんどのデータセットで FIF のパフォーマンスを向上させるシグネチャ カーネルの有効性を強調しており、単純な内積よりもシグネチャ カーネルを使用する利点を強調しています。一方、機能データの複雑さを考慮すると、普遍的に他の方法よりも優れたパフォーマンスを発揮する独自の方法は存在しないと考えられます。 ただし、SIF はほとんどの場合に強力なパフォーマンスを発揮し、5 つのデータセットで最高の結果を達成しています。FIF や K-SIF とは対照的に、SIF はさまざまなデータセットに対して堅牢性を示し、FIF (辞書と内積) や K-SIF (辞書) に関係するパラメーターの選択によって大幅に影響されません。 この論文は、CC BY 4.0 DEED ライセンスの下で 。 arxiv で公開されています

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

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Download free Tech Leaders Productivity Report!

実データ異常検出において (K-)SIF が FIF を上回る理由

About Author

コメント

ラベル

この記事は

Related Stories

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

ワークフローを10倍に向上させる方法: 必須アプリ17選

AI/ML データレイクのリファレンスアーキテクチャを構築するためのアーキテクトガイド

暗号通貨の成長: 効果的なユーザーペルソナの作成

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

ワークフローを10倍に向上させる方法: 必須アプリ17選

AI/ML データレイクのリファレンスアーキテクチャを構築するためのアーキテクトガイド

暗号通貨の成長: 効果的なユーザーペルソナの作成

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps