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
چکیده
Functional Isolation Forest (FIF) یک الگوریتم جدید تشخیص ناهنجاری (AD) است که برای داده های عملکردی طراحی شده است. این بر روی یک روش تقسیم درختی متکی است که در آن نمره غیرعادی با طرح ریزی هر مشاهده منحنی بر روی یک فرهنگ لغت ترسیم شده از طریق یک محصول داخلی خطی محاسبه می شود. چنین محصول داخلی خطی و فرهنگ لغت، انتخاب های پیشینی هستند که به شدت بر عملکرد الگوریتم تأثیر می گذارد و ممکن است منجر به نتایج غیر قابل اعتماد، به ویژه با مجموعه داده های پیچیده شود. این کار به این چالش ها می پردازد و …