May, 2024

基于随机森林实现的异常检测的 Mallows-like 准则

PDF
TL;DR通过模型平均方法和聚合多个模型的新标准，该研究提出了一种新的准则，其中聚焦损失函数用于极度不平衡数据的分类，在 Random Forest 算法中取代传统的投票方法。基于各种领域的基准数据集，包括网络入侵等，我们对该方法进行了评估，结果表明，我们提出的方法不仅在准确性和稳健性方面超越了传统的模型平均和典型损失函数，还胜过常见的异常检测算法。
anomaly signal detectionmodel average methodsfocal loss functionrandom forest algorithmnetwork intrusion
发现论文，激发创造
  • 数据污染下无监督鲁棒异常检测的迭代方法

    减小理论假设与实际训练数据之间的差距，并提出一个学习框架来改进正常性表示，通过识别样本的正常性，并在训练过程中迭代更新样本的重要性权重。还提出了终止条件，受到异常检测目标的启发。通过在多个受污染数据集上进行实验证明，该框架提高了三种典型异常检测方法的鲁棒性。

    Sep, 2023

  • 使用分布鲁棒优化方法进行不确定性下的异常检测

    基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

    Dec, 2023

  • 如何评价无监督异常检测算法的质量？

    本文提出了两种基于 Excess-Mass 和 Mass-Volume 曲线的无监督异常检测算法评估指标，并介绍了一种基于特征子采样和聚合的方法扩展到高维数据集。

    Jul, 2016

  • 利用机器学习算法进行贝叶斯优化以实现异常检测

    该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

    Aug, 2020

  • 基于注意力机制的随机森林和污染模型

    提出了一种名为 ABRF 的新方法，用于向随机森林（RF）引入注意力机制，以进行回归和分类。 核心思想是将可训练参数的注意力权重分配给树中的决策节点

    Jan, 2022

  • 使用分位数回归森林实现稳健可解释的上下文异常检测

    本研究开发了传统异常检测方法和上下文异常检测方法之间的联系，并提出了一种新的方法来实现具有鲁棒性和可解释性的上下文异常检测，使用 Quantile Regression Forests 来模拟特征之间的依赖关系，在各种合成和真实数据集的广泛实验中，我们的方法在准确性和鲁棒性方面优于现有的异常检测方法。

    Feb, 2023

  • 一种基于异常检测 LSTM 框架的不对称损失方法用于电力消耗预测

    通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。

    Feb, 2023

  • 特征预算随机森林

    该研究提出一种新颖的随机森林算法，通过贪心极小最大代价加权不纯度分割，使得生成具有低成本和高强度的树，来实现在特征收购预算下，如何在保证高准确性的同时降低预测时间成本。理论分析表明算法的收购成本接近最优，实验结果在多个基准数据集上优于基准算法。

    Feb, 2015

  • 通过置信区间和假设检验对随机森林中的不确定性进行量化

    本文提出针对机器学习集成方法的正式统计推断程序，重点在于利用样本的子样本进行 U - 统计的预测，进而提供置信区间，以及作为检验功能、估计方差等应用。

    Apr, 2014

  • 广义随机森林

    该研究提出了广义随机森林方法，用于基于随机森林进行非参数统计估计，可以用于拟合任何被识别为满足一组局部矩方程的解的感兴趣数量，提出了一种灵活且计算有效的算法以及新的非参数回归，条件平均偏差估计和异质性治疗效应估计方法，通过本研究可用 GRF 软件实现。

    Oct, 2016