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
5. بحث و نتیجه گیری
این کار دو الگوریتم جدید تشخیص ناهنجاری، K-SIF و SIF را ارائه می‌کند که ریشه در ساختار جنگل جداسازی و رویکرد امضا از نظریه مسیر ناهموار دارند. مشارکت‌های ما جنگل جداسازی عملکردی را در دو بعد حیاتی گسترش می‌دهد: ترکیب ویژگی‌های غیرخطی در داده‌ها برای سازگاری بهتر با مجموعه داده‌های چالش برانگیز و معرفی یک تکنیک کاملاً مبتنی بر داده‌ها و عاری از فرهنگ‌های از پیش تعریف‌شده. چنین انعطاف پذیری داده های متنوعی را در خود جای می دهد
الگوها و کاهش خطر نادیده گرفتن …