نویسندگان:
(1) Guillaume Staerman، INRIA، CEA، Univ. پاریس-ساکلی، فرانسه؛
(2) Marta Campi، CERIAH، Institut de l’Audition، Institut Pasteur، فرانسه.
(3) گرت دبلیو پیترز، گروه آمار و احتمالات کاربردی، دانشگاه کالیفرنیا سانتا باربارا، ایالات متحده.
جدول پیوندها
چکیده و 1. مقدمه
2. پیشینه و مقدمات
2.1. جنگل ایزوله عملکردی
2.2. روش امضاء
3. روش جنگل جداسازی امضا
4. آزمایش های عددی
4.1. تجزیه و تحلیل حساسیت پارامترها
4.2. مزایای (K-)SIF نسبت به FIF
4.3. معیار تشخیص ناهنجاری داده های واقعی
5. بحث و نتیجه گیری، بیانیه های تاثیر، و مراجع
ضمیمه
الف. اطلاعات اضافی درباره امضا
ب. الگوریتم های K-SIF و SIF
ج. آزمایش‌های عددی اضافی
3. روش جنگل جداسازی امضا
با Kernel Signature Isolation Forest (K-SIF)، هدف ما این است که از امضای کرنل کوتاه شده (Kiraly and Oberhauser, 2019) برای غلبه بر محدودیت خطی تحمیل شده توسط محصول داخلی در FIF استفاده کنیم. برخلاف FIF، که تنها یک ویژگی تابع را در هر گره با استفاده از یک محصول داخلی منحصر به فرد با تابع نمونه در فرهنگ لغت بررسی می‌کند، K-SIF اطلاعات بسیار بیشتری را ضبط می‌کند. این با محاسبه چندین امضای ضریب، خلاصه کردن چندین ویژگی داده به دست می آید …