Baselines. We choose seven state-of

Baselines. We choose seven state-of-the-art competitors in three categories to
show the outstanding performance of our proposed FDD and LAD. For kNN-based
algorithms, we choose Local Outlier Detection (LOF) [14] and Local Correlation
Integral (LOCI) [113]. Specially, LOCI provides an automatic, data-dictated cutoff
to determine whether an instance is an anomaly based on probabilistic reasoning.
For attribute-based methods, we include IForest [96] and Mass [138]. For
manifold-based methods, we choose two different manifold-based techniques used
in [2] including locally linear embeddings (LLE), and isometric feature mapping
(ISM), followed by LOF to obtain anomalousness measurement. We also include Strangeness
based Outlier Detection algorithm (StrOUD) presented in [9]. StrOUD
is based on Transductive Confidence Machines, which have been previously proposed
as a mechanism to provide individual confidence measures on classification
decisions [9].

ผลลัพธ์ (ไทย) 1:

เส้น เราเลือกเจ็ดรัฐของศิลปะแข่ง 3 ประเภทเพื่อแสดงประสิทธิภาพที่โดดเด่นของ FDD และลาดพร้าวเสนอ สำหรับใช้ kNNอัลกอริทึม เราเลือกเฉพาะ Outlier ตรวจ (LOF) [14] และความสัมพันธ์ภายในทฤษฎีบูรณาการ (LOCI) [113] เป็นพิเศษ LOCI แสดงการตัดอัตโนมัติ บอกข้อมูลการตรวจสอบว่า อินสแตนซ์เป็นความผิดปกติที่อิงเหตุผล probabilisticสำหรับวิธีใช้แอตทริบิวต์ เรารวม IForest [96] และมวล [138] สำหรับวิธีใช้ท่อ เราเลือกสองแตกท่อตามเทคนิคที่ใช้ใน [2] รวมทั้งเส้นภายใน embeddings (LLE), และแมปมีคุณลักษณะ(ISM), ตาม ด้วย LOF รับวัด anomalousness นอกจากนี้เรายังมีน้อยใช้อัลกอริทึมการตรวจจับ Outlier (StrOUD) ใน [9] StrOUDตามเครื่องมั่นใจ Transductive ซึ่งได้รับการเสนอก่อนหน้านี้เป็นระบบในการให้ความเชื่อมั่นของแต่ละมาตรการจัดประเภทการตัดสินใจ [9]

ผลลัพธ์ (ไทย) 2:

เส้นเขตแดน เราเลือกเจ็ดรัฐของศิลปะคู่แข่งในสามประเภทที่จะ
แสดงให้เห็นถึงประสิทธิภาพที่โดดเด่นของการเสนอ FDD และหนุ่มของเรา สำหรับ kNN ตาม
ขั้นตอนวิธีการที่เราเลือกขอบเขตการตรวจสอบในพื้นที่ (LOF) [14] และความสัมพันธ์ท้องถิ่น
Integral (loci) [113] พิเศษตำแหน่งให้อัตโนมัติข้อมูลบอกตัด
เพื่อตรวจสอบว่าเป็นตัวอย่างเป็นความผิดปกติขึ้นอยู่กับเหตุผลของความน่าจะเป็น.
สำหรับวิธีการแอตทริบิวต์ตามเรารวม IForest [96] และมวล [138] สำหรับ
วิธีการต่าง ๆ นานาตามที่เราเลือกสองเทคนิคต่าง ๆ นานาตามที่แตกต่างกันมาใช้
ใน [2] รวมทั้ง embeddings เชิงเส้นในประเทศ (LLE) และการทำแผนที่คุณลักษณะภาพวาดสามมิติ
(ISM) ตามด้วย LOF ที่จะได้รับการวัด anomalousness เรายังรวมถึงความลึกลับ
ตามขั้นตอนวิธีการตรวจหาค่าผิดปกติ (สเตราท์) นำเสนอใน [9] สเตราท์
จะขึ้นอยู่กับความเชื่อมั่น Transductive เครื่องซึ่งได้รับการเสนอก่อนหน้านี้
เป็นกลไกที่จะให้ความเชื่อมั่นในมาตรการของแต่ละบุคคลเกี่ยวกับการจำแนก
การตัดสินใจ [9]

ผลลัพธ์ (ไทย) 3:

หมุด . เราเลือกเจ็ดรัฐ - of - the - art คู่แข่งใน 3 ประเภทเพื่อแสดงประสิทธิภาพที่โดดเด่นของเราเสนอ FDD และ LAD สำหรับ knn ตามขั้นตอนวิธีการตรวจหา เราเลือกค่าท้องถิ่น ( ลอฟ ) [ 14 ] และท้องถิ่น ความสัมพันธ์ส่วนประกอบ ( ตำแหน่ง ) [ 113 ] โดยเฉพาะตำแหน่งให้อัตโนมัติ ข้อมูลนี้บอกเพื่อตรวจสอบว่ามีอินสแตนซ์เป็นสิ่งผิดปกติตามเชิงเหตุผลสำหรับคุณลักษณะตามวิธีการที่เรารวม iforest [ 96 ] และมวล [ 138 ] สำหรับมากมายตามวิธีการที่เราเลือกสองแตกต่างกันมากมายตามเทคนิคที่ใช้ใน [ 2 ] รวมทั้งภายในเส้น embeddings ( ที่ไหน ) และแผนที่มีมิติเท่ากัน( ISM ) รองลงมาคือ ลอฟ เพื่อให้ได้ anomalousness การวัด นอกจากนี้เรายังรวมถึงการเปลี่ยนแปลงขั้นตอนวิธีการตรวจหาค่าตาม ( นำเสนอใน Stroud ) [ 9 ] โตนขึ้นอยู่กับเครื่อง transductive ความเชื่อมั่น ซึ่งได้เคยเสนอเป็นกลไกเพื่อให้ความมั่นใจในมาตรการการบุคคลการตัดสินใจ [ 9 ]