文本数据的异常值检测：扩展版

Jan, 2017

Outlier Detection for Text Data : An Extended Version

Ramakrishnan Kannan, Hyenkyun Woo, Charu C. Aggarwal, Haesun Park

TL;DR本文提出一种基于矩阵分解的文本异常检测方法 TONMF，通过低秩逼近和块协调下降优化技术，实现对非负矩阵数据中异常点与自然变化的有效区分。

Abstract

The problem of outlier detection is extremely challenging in many domains such as text, in which the attribute values are typically non-negative, and most values are zero. In such cases, it often becomes difficult to separate the outliers from the natural variations in the patterns in

outlier detection matrix factorization low rank approximation text analysis block coordinate descent

发现论文，激发创造

文本数据深度学习异常检测方法

使用深度学习和变换器架构结合经典机器学习算法以检测和识别文本中的异常，将所有文本上下文转换为数字表示。

Nov, 2022

有噪声数据中的非负矩阵分解算法

本文介绍了两种算法，Shift-NMF 和 Nearly-NMF，可以处理输入数据的嘈杂性和负值，并且可以正确恢复非负信号，而无需对负数据进行截断，避免了引入正偏移。

Nov, 2023

利用统计技术在视觉模型中检测异常或超出分布的数据

机器学习系统中的越界数据和异常输入是当前的漏洞，往往导致系统做出错误的预测。本文评估了 Benford's 法则作为一种用于量化真实输入和受损输入之间差异的方法。我们相信在许多情况下，它可以用作检测异常数据点和标识越界数据的过滤器。我们希望对这些应用进行讨论，并进一步探索该技术的其他领域。

Mar, 2024

非负矩阵分解中贝叶斯泛化误差的上界

本文研究了非负矩阵分解的真实对数规范阈值，并在贝叶斯学习中给出了一种上界估计，结果表明如果应用贝叶斯学习，则可以使矩阵分解的泛化误差小于常规统计模型。

Dec, 2016

通过异常值检测优化增强情感分析结果

通过使用 Deep SVDD 算法识别和处理主观标签中的异常值，以提升分类效果。研究结果表明，在大多数情况下，删除异常值可以改善结果，并且大型语言模型 DeBERTa v3 可以捕捉到复杂模式从而提高性能。

Nov, 2023

基于非负矩阵分解的多模态多视角聚类

通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

Aug, 2023

连续半监督非负矩阵分解

本文介绍了如何使用非负矩阵分解方法无监督地自动检测语料库中的主题，并证明该方法可结合回归得出比先识别主题后进行回归更好的效果并有更好的可解释性。

Dec, 2022

非负矩阵分解的原因和方法

本文介绍了非负矩阵分解的稀疏特征提取功能，并探讨了如何解决通常情况下 NP 困难的 NMF 问题，介绍了一个称为近可分离 NMF 的问题子类，可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。

Jan, 2014

无需包外采样的异常检测

本文提出了一种基于模型的异常检测方法，Out-of-Bag 异常检测，它可以处理由数字和分类特征组成的多维数据集，将无监督学习问题分解成集合模型的训练。通过对基准数据集的全面实验展示了该方法的最新性能，并通过房屋估值的案例研究展示了其可以作为数据预处理步骤，提高 ML 系统的准确性和可靠性。

Sep, 2020

基于列生成的二元矩阵分解

本文通过线性规划和列生成的优化技术，提出了一种求解低秩二元矩阵分解问题的算法，该算法不需要使用启发式模式挖掘，具有高精度和优化保证，并在真实数据集上取得了良好的效果。

Nov, 2020