(K-)SIF vượt trội hơn FIF như thế nào trong việc phát hiện dị thường dữ liệu thực

Bảng liên kết

Tóm tắt và 1. Giới thiệu

2. Bối cảnh & Chuẩn bị

2.1. Rừng cô lập chức năng

2.2. Phương pháp chữ ký

3. Phương pháp Rừng cô lập chữ ký

4. Thí nghiệm số

4.1. Phân tích độ nhạy của các thông số

4.2. Ưu điểm của (K-)SIF so với FIF

4.3. Điểm chuẩn phát hiện dị thường dữ liệu thực

5. Thảo luận & Kết luận, Báo cáo tác động và Tài liệu tham khảo

Phụ lục

A. Thông tin bổ sung về chữ ký

B. Thuật toán K-SIF và SIF

C. Các thí nghiệm số bổ sung

4.3. Điểm chuẩn phát hiện dị thường dữ liệu thực

Để đánh giá hiệu quả của các thuật toán (K-)SIF được đề xuất và cung cấp sự so sánh với FIF, chúng tôi thực hiện một phân tích so sánh bằng cách sử dụng mười tập dữ liệu phát hiện dị thường được xây dựng trong Staerman et al. (2019) và lấy từ kho lưu trữ UCR (Chen et al., 2015). Ngược lại với Staerman et al. (2019), chúng tôi không sử dụng phần đào tạo/kiểm tra vì các nhãn không được sử dụng cho đào tạo và đào tạo và đánh giá các mô hình chỉ trên dữ liệu đào tạo. Chúng tôi đánh giá hiệu suất của các thuật toán bằng cách định lượng AUC theo các đường cong ROC.

Một mặt, Hình 4 minh họa sự chênh lệch hiệu suất giữa FIF và K-SIF khi sử dụng từ điển Brownian. Đáng chú ý, K-SIF thể hiện lợi thế hiệu suất đáng kể so với FIF. Quan sát này nhấn mạnh tính hiệu quả của hạt nhân chữ ký trong việc cải thiện hiệu suất của FIF trên hầu hết các tập dữ liệu, nhấn mạnh những lợi thế khi sử dụng nó so với một tích vô hướng đơn giản. Mặt khác, xét đến sự phức tạp của dữ liệu chức năng, không có phương pháp duy nhất nào được kỳ vọng sẽ vượt trội hơn các phương pháp khác trên toàn cầu.

Tuy nhiên, SIF thể hiện hiệu suất mạnh mẽ trong hầu hết các trường hợp, đạt được kết quả tốt nhất cho năm tập dữ liệu. Trái ngược với FIF và K-SIF, nó cho thấy sự mạnh mẽ đối với nhiều tập dữ liệu trong khi không bị ảnh hưởng đáng kể bởi sự lựa chọn các tham số liên quan đến FIF (từ điển và tích vô hướng) và K-SIF (từ điển).