| Item type |
SIG Technical Reports(1) |
| 公開日 |
2024-06-13 |
| タイトル |
|
|
タイトル |
k近傍法による異常検知の信頼性定量化のための選択的推論 |
| タイトル |
|
|
言語 |
en |
|
タイトル |
Selective Inference for Reliability Quantification of ????-Nearest Neighbor Anomoaly Detection |
| 言語 |
|
|
言語 |
jpn |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
情報論的学習理論と機械学習2 |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_18gh |
|
資源タイプ |
technical report |
| 著者所属 |
|
|
|
名古屋大学 |
| 著者所属 |
|
|
|
名古屋工業大学 |
| 著者所属 |
|
|
|
名古屋大学 |
| 著者所属 |
|
|
|
名古屋大学 |
| 著者所属 |
|
|
|
名古屋大学 / 理化学研究所 |
| 著者所属(英) |
|
|
|
en |
|
|
Nagoya University |
| 著者所属(英) |
|
|
|
en |
|
|
Nagoya Institute of Technology |
| 著者所属(英) |
|
|
|
en |
|
|
Nagoya University |
| 著者所属(英) |
|
|
|
en |
|
|
Nagoya University |
| 著者所属(英) |
|
|
|
en |
|
|
Nagoya University / RIKEN |
| 著者名 |
新堀, 瑞己
生田, 真也
山田, 彬文
田地, 宏一
竹内, 一郎
|
| 著者名(英) |
Mizuki, Niihori
Masaya, Ikuta
Akihumi, Yamada
Kouichi, Taji
Ichiro, Takeuchi
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
現在，機械学習における異常検知の分野において，???? 近傍法というアルゴリズムが広く用いられている．この手法はデータの分布を仮定しないため，様々なデータに適用可能であるが，異常検知を行った結果の信頼性に対する定量的評価法は確立されていない．一般的に，結果の信頼性の定量的評価法として，統計的仮設検定が知られているが，データ駆動型科学においては，仮説がデータに基づいて選択されるため，古典的な統計的仮説検定では適切な信頼性評価を行うことができない．そこで本研究では，???? 近傍法による異常検知結果に対し，選択的推論 (Selective Inference, SI) の枠組みを用いる．これにより偽陽性率（False Positive Rate, FPR）を制御できる適切な統計的仮説検定を提案する．また，通常の SI における弱点である，過剰な条件付け (Over-Conditioning) による検出力の低さを改善する手法として，Parametric SI を提案する．そして，人工データ，実データにおいて計算機実験を行い，提案手法の妥当性を示す． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
Currently, the ????-nearest neighbor method is widely used in the field of machine learning anomaly detection. This method is applicable to a variety of data because it does not assume a distribution of the data, but a quantitative evaluation method for the reliability of the results of anomaly detection has not been established. In general, statistical hypothesis testing is known as a quantitative evaluation method for the reliability of results. However, in data-driven science, classical statistical hypothesis testing is not adequate for reliability evaluation because hypotheses are selected based on data. In this study, we use the Selective Inference framework for anomaly detection results using the ????-nearest neighbor method. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA12055912 |
| 書誌情報 |
研究報告バイオ情報学（BIO）
巻 2024-BIO-78,
号 8,
p. 1-9,
発行日 2024-06-13
|
| ISSN |
|
|
収録物識別子タイプ |
ISSN |
|
収録物識別子 |
2188-8590 |
| Notice |
|
|
|
SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc. |
| 出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-BIO24078008.pdf (1.3 MB)
