文献

J-GLOBAL ID：201702218510125015   整理番号：17A0213892

異常値検出のための逐次アンサンブル学習:バイアス分散の展望【Powered by NICT】

Sequential Ensemble Learning for Outlier Detection: A Bias-Variance Perspective

著者 (3件)： Rayana Shebuti ,  Zhong Wen ,  Akoglu Leman
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ICDM  ページ： 1167-1172  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 分類のためのアンサンブル法は,何十年も効果的に使用されているが,異常値検出のための,ごく最近研究されてきた。本研究では,多次元点データにおける異常値検出,観察されないラベルを持つ二値分類タスクとして異常値検出を考慮してバイアスと分散を介して誤差を減らすことにより改良された精度を提供するための新しいアンサンブルアプローチを設計した。本論文では,最終結果に到達するために各反復における中間結果の二相凝集を用いたケアと呼ばれる逐次アンサンブル手法を提案した。既存異常値集合とは異なり,このアンサンブルは,(i)連続的にoutliernessが推定されるより良いデータモデルを構築するために元のデータセットから異常値を除去する(連続)と,(ii)結果を組み合わせた個人ベース検出器と反復を横切る(平行)によるバイアスならびに分散を低減するため並列及び逐次ビルディングブロックの両方を組み込んでいる。UCI機械学習リポジトリ[1]から16件の実世界データセット上での包括的実験により,ケアはより著しく良好または少なくとも個々のベースラインとして,既存の最先端異常値集合に類似していることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *異常値 ,  機械学習 ,  高次元 ,  データモデル ,  *バイアス ,  リポジトリ ,  検出器 ,  基準線 ,  凝集
準シソーラス用語： ビルディングブロック ,  二値分類 ,  アンサンブル法 ,  *アンサンブル学習 ,  *異常値検出 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 異常値検出 ,  逐次 ,  アンサンブル学習 ,  バイアス ,  展望