敵対分布による高次元データにおける異種統計パターンのモデリング:教師なし生成フレームワーク【JST・京大機械翻訳】

Zhang Han; Zheng Wenhao; Chen Charley; Gao Kevin; Hu Yao; Huang Ling; Xu Wei

プレプリント

J-GLOBAL ID：202202207778838093 整理番号：22P0218137

敵対分布による高次元データにおける異種統計パターンのモデリング:教師なし生成フレームワーク【JST・京大機械翻訳】

Modeling Heterogeneous Statistical Patterns in High-dimensional Data by Adversarial Distributions: An Unsupervised Generative Framework

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年12月15日プレプリントサーバーでの情報更新日： 2020年12月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ラベル収集は禁止的で時間がかかるので,教師なし方法は不正検出のようなアプリケーションで好まれる。一方,このような応用は,通常,高次元データにおける固有クラスタのモデリングを必要とし,通常,異なるクラスタのパターンが異なる次元に現れるので,通常,不均一な統計的パターンを示す。既存の方法は,選択された次元に関するデータクラスタをモデル化することを提案しているが,しかし,任意の次元をグローバルに省略することは,あるクラスタのパターンに損害を与えるかもしれない。上記の問題に取り組むために,著者らは,不均一統計パターンを適合させ,解きほぐために敵対的分布を利用するFIRDと呼ばれる新しい教師なし生成フレームワークを提案した。離散空間に適用するとき,FIRDは,通常ユーザから同期した fraudsterを効果的に区別する。また,FIRDは,SOTA異常検出法(5%平均AUC改善)と比較して,異常検出データセット上で優れた性能を提供した。様々のデータセットに関する重要な実験結果は,提案方法が高次元データにおける不均一統計パターンをより良くモデル化して,下流応用に有益であることを検証した。【JST・京大機械翻訳】

, , , , ,
, , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , , , , ,

前のページに戻る