近傍構造支援非負行列因子分解と教師なし点状異常検出におけるその応用【JST・京大機械翻訳】

Ahmed Imtiaz; Hu Xia Ben; Acharya Mithun P.; Ding Yu

プレプリント

J-GLOBAL ID：202202221319824163 整理番号：21P0022793

近傍構造支援非負行列因子分解と教師なし点状異常検出におけるその応用【JST・京大機械翻訳】

Neighborhood Structure Assisted Non-negative Matrix Factorization and its Application in Unsupervised Point-wise Anomaly Detection

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 (4件)： , , ,
資料名：
発行年： 2020年01月17日プレプリントサーバーでの情報更新日： 2021年02月04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)

次元縮小は,異常検出のような教師なし学習における競合性能を確保するための重要なステップとして考えられている。非負行列因数分解(NMF)は,この目標を達成するために一般的で広く使われている方法である。しかし,NMFは,近傍構造情報を含む準備を持たず,結果として,非線形多様体構造の存在下で満足な性能を提供することができなかった。短所に対処するために,最小スパニング木を通してデータをモデル化することにより,NMFフレームワーク内の近傍構造類似性情報を考察し,組み入れることを提案した。近傍構造支援NMFとして得られた方法をラベルした。さらに,提案方法のオフラインおよびオンラインアルゴリズムバージョンの両方を考案した。20のベンチマークデータセットを用いた経験的比較と水力発電所から抽出された産業データセットは,近隣構造支援NMFの優位性を示し,著者らのメリットの主張を支持した。近隣構造支援NMFの定式化と特性に近づき,NMFの強化されたバージョンは,MSTを用いた近傍構造情報の包含が異常検出における増強性能の達成に重要な役割を果たすことを明らかにした。【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