4.1 Synthetic dataset is shown in F

4.1 Synthetic dataset is shown in Figure 4.1(a) with normal instances
(blue), global anomalies (yellow), and local anomalies (red and
green). Figure 4.1(b) LOF score with k = 10. 4.1(c) IForest score.
The anomalousness are visualized as height bar over all the
instances. For each algorithm output, the anomalousness scores are
normalized in the range of [0, 1] to have an easy comparison. We
can see that both LOF and IForest fail to totally distinguish local
anomalies from normal instances. . . . . . . . . . . . . . . . . . . 65
4.2 Histogram of anomalies (red) and normal instances (blue) on the
first four eigenvectors 1 of ionosphere dataset (a popular benchmark
dataset for anomaly detection [96] [63] [110]). Some anomalies
have overlapped distribution with parts of normal instances and
therefore it is nontrivial to separate them simply by difference between
attribute distributions. . . . . . . . . . . . . . . . . . . . . . 67

ผลลัพธ์ (ไทย) 1:

4.1 ชุดสังเคราะห์ข้อมูลจะแสดงในรูป 4.1(a) กับอินสแตนซ์ที่ปกติ(น้ำเงิน), ส่วนกลางผิดปกติ (สีเหลือง), และผิดปกติภายใน (สีแดง และสีเขียว) รูป 4.1(b) LOF คะแนนกับ k = 10 4.1(c) IForest คะแนนAnomalousness ที่จะมองเห็นเป็นแถบสูงกว่าทุกอินสแตนซ์ สำหรับการแสดงผลแต่ละอัลกอริทึม คะแนน anomalousness เป็นตามปกติในช่วง [0, 1] จะมีการเปรียบเทียบที่ง่ายขึ้น เราสามารถดูว่า LOF และ IForest การล้มเหลวโดยสิ้นเชิงแตกต่างท้องถิ่นผิดปกติจากกรณีปกติ.................. 654.2 กราฟของผิดปกติ (สีแดง) และปกติ (สีน้ำเงิน) ในการชุดข้อมูลไอโอโนสเฟียร์ (นิยมมาตรฐานสี่เวกเตอร์ลักษณะเฉพาะ 1 เป็นอย่างแรกชุดข้อมูลได้ตรวจสอบความปกติ [96] [63] [110]) ผิดปกติบางอย่างมีเหลื่อมกระจายชิ้นส่วนของกรณีปกติ และดังนั้น จึงเป็น nontrivial เพื่อแยกพวกเขาเพียงแค่แตกต่างกันการกระจายของแอตทริบิวต์..................... 67

ผลลัพธ์ (ไทย) 2:

4.1 ชุดข้อมูลที่สังเคราะห์แสดงในรูปที่ 4.1 (ก) กับกรณีปกติ
(สีฟ้า), ความผิดปกติทั่วโลก (สีเหลือง) และความผิดปกติในพื้นที่ (สีแดงและ
สีเขียว) รูปที่ 4.1 (ข) คะแนน LOF กับ K = 10 4.1 (ค) คะแนน IForest.
anomalousness จะมองเห็นเป็นแถบสูงกว่าทุก
กรณี สำหรับแต่ละขั้นตอนวิธีการส่งออก, คะแนน anomalousness จะ
ปกติในช่วง [0, 1] ที่จะมีการเปรียบเทียบง่าย เรา
จะเห็นได้ว่าทั้ง LOF และ IForest ล้มเหลวในการแยกแยะความแตกต่างกันโดยสิ้นเชิงในท้องถิ่น
ความผิดปกติจากกรณีปกติ . . . . . . . . . . . . . . . . . . 65
4.2 Histogram ความผิดปกติ (สีแดง) และกรณีปกติ (สีฟ้า) ใน
สี่ eigenvectors แรก 1 ของชุดชั้นบรรยากาศ (มาตรฐานที่นิยม
ชุดข้อมูลสำหรับการตรวจสอบความผิดปกติ [96] [63] [110]) ความผิดปกติบางอย่าง
ได้ซ้อนทับกับการกระจายส่วนของกรณีปกติและ
ดังนั้นจึงมีขี้ปะติ๋วจะแยกพวกเขาโดยเพียงแค่ความแตกต่างระหว่าง
การแจกแจงแอตทริบิวต์ . . . . . . . . . . . . . . . . . . . . . 67