文献

J-GLOBAL ID：202002284950331623   整理番号：20A1055553

1クラス選択転送機械による異常値の検出【JST・京大機械翻訳】

Detecting outliers with one-class selective transfer machine

著者 (3件)： Fujita Hirofumi (Graduate School, Faculty of Information Science and Electrical Engineering, Kyushu University, Fukuoka, Japan) ,  Matsukawa Tetsu (Graduate School, Faculty of Information Science and Electrical Engineering, Kyushu University, Fukuoka, Japan) ,  Suzuki Einoshin (Graduate School, Faculty of Information Science and Electrical Engineering, Kyushu University, Fukuoka, Japan)
資料名： Knowledge and Information Systems  (Knowledge and Information Systems)
巻： 62  号： 5  ページ： 1781-1818  発行年： 2020年 
JST資料番号： W2193A  ISSN： 0219-1377  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,ラベル付けされていないソースデータセットを利用することにより,ラベル付けされていないターゲットデータセットから異常値検出法を提案した。異常値は,そのような異常値が意思決定,知識発見,および不正検出において重要であるので,20年以上にわたりデータマイニング者の注意を引きつけている。異常値が少なく,しばしばラベル付けされた研究者がラベル付けされていないデータセットからの検出法を提案することができるという事実は,移動学習のフレームワークにおける関連するラベル付けデータセットからの境界強度のいくつかである。彼らは,複数のタスクから来る入力データセットがすべてラベル付けされていないより挑戦的な状況に取り組んでいる。それらの方法,ML-OCSVMは,1クラスサポートベクトルマシン(SVM)によるマルチタスク学習を行い,複数タスクのテストデータセットにおける異常値を検出するために,平均モデルプラスタスク特異的増加をもたらす。著者らは,それらの問題設定の一部を継承し,入力においてラベル付けされていないデータセットだけを取り込んだが,しかし,目標データセットに加えて1つのソースデータセットだけを仮定することによって困難さを増加させた。結果として,ソースデータセットは,ターゲットタスクに関連する例と,関連の少ない例から構成されている。この状況に対処するために,著者らは共変量シフトのフレームワークにおける個々の例を重みづけ,SVM分類器を1クラスSVMで学習し,2つの公開データセットと人工データセットに対する実験により,ML-OCSVMと最先端のアンサンブル異常検出法を含むベースライン法よりも優れていることを示した。Copyright Springer-Verlag London Ltd., part of Springer Nature 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  学習 ,  検出法 ,  *異常値 ,  重みづけ ,  基準線 ,  データマイニング ,  知識発見
準シソーラス用語： 異常検出 ,  マルチタスク学習 ,  共変量 ,  不正検出 ,  異常値検出 , 【Automatic Indexing@JST】

著者キーワード (4件)： 1クラス異常値検出 ,  1クラスサポートベクトルマシン ,  カーネル平均マッチング ,  伝達学習

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (3件)： クラス ,  転送 ,  異常値