Autori:  (1) Guillaume Staerman, INRIA, CEA, Univ. Paris-Saclay, Franța;  (2) Marta Campi, CERIAH, Institut de l'Audition, Institut Pasteur, Franţa;  (3) Gareth W. Peters, Departamentul de Statistică și Probabilitate Aplicată, Universitatea din California Santa Barbara, SUA.  Tabelul de legături   Rezumat și 1. Introducere   2. Context și preliminarii   2.1. Pădure de izolare funcțională   2.2. Metoda semnăturii   3. Metoda pădurii de izolare a semnăturii   4. Experimente numerice   4.1. Parametrii Analiza Sensibilitatii   4.2. Avantajele (K-)SIF față de FIF   4.3. Benchmark de detectare a anomaliilor de date reale   5. Discuții și concluzii, declarații de impact și referințe  Apendice   A. Informații suplimentare despre semnătură   B. Algoritmi K-SIF și SIF   C. Experimente numerice suplimentare  4.3. Benchmark de detectare a anomaliilor de date reale  Pentru a evalua eficacitatea algoritmilor (K-)SIF propuși și pentru a oferi o comparație cu FIF, efectuăm o analiză comparativă folosind zece seturi de date de detectare a anomaliilor construite în Staerman și colab. (2019) și provenit din depozitul UCR (Chen et al., 2015). Spre deosebire de Staerman et al. (2019), nu folosim o parte de instruire/test, deoarece etichetele nu sunt folosite pentru instruire și antrenăm și evaluăm modele numai pe datele de antrenament. Evaluăm performanța algoritmilor prin cuantificarea AUC sub curbele ROC.   Pe de o parte, Figura 4 ilustrează diferența de performanță dintre FIF și K-SIF folosind dicționarul brownian. În special, K-SIF prezintă un avantaj semnificativ de performanță față de FIF. Această observație subliniază eficiența nucleului de semnătură în îmbunătățirea performanței FIF în majoritatea seturilor de date, subliniind avantajele utilizării acestuia față de un produs interior simplu. Pe de altă parte, având în vedere complexitatea datelor funcționale, nu se așteaptă ca nicio metodă unică să le depășească pe altele la nivel universal.  Cu toate acestea, SIF demonstrează performanțe puternice în majoritatea cazurilor, obținând cele mai bune rezultate pentru cinci seturi de date. Spre deosebire de FIF și K-SIF, acesta arată robustețe la varietatea seturilor de date, fără a fi afectat drastic de alegerea parametrilor implicați în FIF (dicționar și produs interior) și K-SIF (dicționar).  Această lucrare este   sub licență CC BY 4.0 DEED. disponibilă pe 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.

Cum (K-)SIF depășește FIF în detectarea anomaliilor de date reale

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

The World is Finally Ready for a New Internet

The Data Behind Colorado's First-ever Rural Venture Capital Pitch Event

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/1/2024)

Can Bitcoin Hit 1 Million Dollars?

The World is Finally Ready for a New Internet

The Data Behind Colorado's First-ever Rural Venture Capital Pitch Event

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/1/2024)

Can Bitcoin Hit 1 Million Dollars?

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps