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
4.3. معیار تشخیص ناهنجاری داده های واقعی
برای ارزیابی اثربخشی الگوریتم‌های پیشنهادی (K-)SIF و ارائه مقایسه‌ای با FIF، ما یک تحلیل مقایسه‌ای را با استفاده از ده مجموعه داده تشخیص ناهنجاری ساخته‌شده در Staerman و همکاران انجام می‌دهیم. (2019) و منبع آن از مخزن UCR (چن و همکاران، 2015) است. در مقابل استارمن و همکاران. (2019)، ما از بخش آموزشی/آزمایشی استفاده نمی‌کنیم زیرا برچسب‌ها برای آموزش استفاده نمی‌شوند و مدل‌ها را فقط روی داده‌های آموزشی آموزش و ارزیابی می‌کنند. ما عملکرد الگوریتم ها را با …