4.3 HKS and LAD (Local Anomaly Desc

4.3 HKS and LAD (Local Anomaly Descriptor, Equation 4.10) score
with GAU (Gaussian kernel, Equation 2.8) and AGK (Anisotropic
Gaussian kernel, Equation 4.7) of the synthetic dataset in Figure
4.1(a). For each algorithm output, the anomalousness scores are
normalized in the range of [0, 1] to have an easy comparison. We
can see that LAD with AGK is the most aware of both global and
local anomalies. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

ผลลัพธ์ (ไทย) 1:

4.3 คะแนน HKS และลาดพร้าว (อธิบายผิดปกติท้องถิ่น สมการ 4.10)มีเกา (นที่เคอร์เนล สมการ 2.8) และ AGK (Anisotropicนที่เคอร์เนล สมการ 4.7) ของชุดข้อมูลสังเคราะห์ในรูป4.1(a) สำหรับการแสดงผลแต่ละอัลกอริทึม คะแนน anomalousness เป็นตามปกติในช่วง [0, 1] จะมีการเปรียบเทียบที่ง่ายขึ้น เราสามารถดูลาดพร้าวกับ AGK ตระหนักถึงทั้งโลกมากที่สุด และlocal anomalies. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

ผลลัพธ์ (ไทย) 2:

4.3 HKS และหนุ่ม (Local ความผิดปกติอธิบายสมการ 4.10) คะแนน
กับ GAU (เคอร์เนลเสียนสมการ 2.8) และ AGK (Anisotropic
เคอร์เนลเสียนสมการ 4.7) ของชุดข้อมูลที่สังเคราะห์ในรูปที่
4.1 (ก) สำหรับแต่ละขั้นตอนวิธีการส่งออก, คะแนน anomalousness จะ
ปกติในช่วง [0, 1] ที่จะมีการเปรียบเทียบง่าย เรา
จะเห็นได้ว่ามีหนุ่ม AGK เป็นตระหนักให้มากที่สุดทั้งในระดับโลกและ
ความผิดปกติในท้องถิ่น . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

ผลลัพธ์ (ไทย) 3:

4.3 HKS หนุ่ม ( ท้องถิ่นและความผิดปกติในหัวเรื่อง สมการ 4.10 ) คะแนนกับเก้า ( Kernel สมการ 2.8 เสียน ) และ agk ( แอนไอโซทรอปิกสมการ Gaussian Kernel 4.7 ) ของข้อมูลสังเคราะห์ในรูป4.1 ( ) สำหรับแต่ละขั้นตอนวิธีเอาต์พุต anomalousness คะแนนปกติในช่วง [ 0 , 1 ] มีการเปรียบเทียบง่าย เราจะเห็นได้ว่าเด็กหนุ่มกับ agk เป็นตระหนักถึงที่สุดของทั้งทั่วโลกและความผิดปกติในท้องถิ่น . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72