Decoding Split Window Sensitivity ka Dithokgweng tša go Ikarola tša Mosaeno

Tafole ya Dikgokagano

Abstract le 1. Matseno

2. Lemorago & Ditho tša pele

2.1.1. Sethokgwa sa go Ikarola sa Mošomo

2.2.2.1. Mokgwa wa Mosaeno

3. Mokgwa wa Sethokgwa sa go Ikarola ka Mosaeno

4. Diteko tša Dipalo

4.1.1. Ditekanyetšo Tshekatsheko ya Kutlo

4.2.2.1. Mehola ya (K-)SIF go feta FIF

4.3. Benchmark ya go Lemoga Anomaly ya data ya nnete

5. Poledišano & Phetho, Dipolelo tša Kgahlamelo, le Ditšhupetšo

Sehlomathišo

A. Tshedimošo ya Tlaleletšo Mabapi le Mosaeno

B. Dialgoritmo tša K-SIF le SIF

C. Diteko tša Tlaleletšo tša Dipalo

4.1.1. Ditekanyetšo Tshekatsheko ya Kutlo

Re nyakišiša boitshwaro bja K-SIF le SIF mabapi le ditekanyetšo tša bona tše pedi tše kgolo: botebo bja mosaeno k le palo ya mafasetere a aroganego ω. Ka lebaka la lefelo, teko ya botebo e bušetšwa morago go Karolo C.1 ka go Sehlomathišo.

Karolo ya Lefasetere la go Aroganya Mosaeno. Palo ya mafasetere a arogilego e dumelela go ntšhwa ga tshedimošo ka dikgao tše itšego (tšeo di kgethilwego ka go se kgethe) tša datha ya motheo. Ka go realo, mo noutu ye nngwe le ye nngwe ya mohlare, nepo e tla ba karolong ye e itšego ya datha, yeo e swanago go ralala le dikhube ka moka tša mohlala bakeng sa merero ya go bapetša. Mokgwa wo o netefatša gore tshekatsheko e dirwa dikarolong tše di bapetšwago tša datha, go fa tsela ye e rulagantšwego ya go hlahloba le go bapetša dikgao tše di fapanego goba diponagalo go ralala le dikhube tša mohlala.

Re hlahloba tema ya paramethara ye ka disete tše pedi tša data tše di fapanego tšeo di tšweletšago gape mehuta ye mebedi ya maemo a go se swane. Ya pele e ela hloko diphapano tše di lego lekatana ka nako ye nnyane, mola ya bobedi e na le tše di phegelelago go ralala le parametrization ka moka ya mošomo. Ka tsela ye, re hlokomela boitshwaro bja K-SIF le SIF mabapi le mehuta ye e fapanego ya diphapano.

Dataset ya mathomo e agilwe ka tsela ye e latelago. Re ekiša mešomo ye 100 ye e sa fetogego. Ke moka re kgetha ka go se kgethe 90% ya dikhube tše le lešata la Gaussian ka sekgoba se senyenyane; bakeng sa 10% e šetšego ya dikhubedu, re oketša lešata la Gaussian go sekgoba se sengwe se senyenyane, seo se fapanego le sa mathomo. Ka go nepagala kudu:

• 90% ya dikhubedu, tšeo di tšewago bjalo ka tše di tlwaelegilego, di tšweletšwa go ya ka

ka ε (t) ∼ N (0, 1), b ∼ U ([0, 100]) le U emela kabo e tšoanang.

• 10% ya dikhubedu, tšeo di tšewago bjalo ka tšeo di sa tlwaelegago, di tšweletšwa go ya ka

moo ε (t) ∼ N (0, 1) le b ∼ U ([0, 100]).

Re ekiša ka go se kgethe 90% ya ditsela tšeo di nago le μ = 0, σ = 0.5, gomme re di tšea e le ya data e tlwaelegilego. Ka morago ga moo, 10% e šetšego e ekišwa ka go kgeloga μ = 0.2, go fapoga ga maemo σ = 0.4, gomme e tšewa e le ya data yeo e sa tlwaelegago. Re bala K-SIF ka dinomoro tše di fapanego tša mafasetere a aroganego, a fapana go tloga go 1 go ya go 10, ka maemo a go kgaola ao a beilwego a lekanago le 2 le N = 1, 000 palo ya mehlare. Teko e boeletšwa ka makga a 100, gomme re bega palogare ya AUC ka fase ga dikhube tša ROC go Seswantšho 1 bakeng sa bobedi di-dataset le dipukuntšu tše tharo tšeo di kgethilwego pele.

Bakeng sa dataset pele, moo anomalies bonahatsa ka karolo e nyenyane ea mesebetsi, eketsa palo ea arohano haholo ntlafatsa tshebetso ya algorithm ka ho lemoha anomalies. Kaonafatšo ya tshepedišo e bontšha selete se se phagamego ka morago ga mafasetere a senyane ao a aroganego. Tabeng ya dataset ya bobedi yeo e nago le diphapano tše di phegelelago, palo ye e phagamego ya mafasetere a aroganego e na le khuetšo ye nnyane go tshepedišo ya algorithm, e boloka dipoelo tše di kgotsofatšago. Ka fao, ntle le tsebo ya pele ka ga datha, go kgetha palo ye e phagamego kudu ya mafasetere ao a aroganego, a go swana le a 10, go be go tla netefatša tshepedišo ye e tiilego maemong a ka bobedi. Go tlaleletša, palo ye bohlokwa kudu ya mafasetere ao a aroganego e kgontšha go dira dipalo tša mosaeno karolong ye nnyane ya mešomo, go lebiša go bokgoni bjo bo kaonafetšego bja khomphutha.