.png){kind=icon}
返回
Abnormal Component Analysis
.png){kind=icon}
PRE
AI
DOI：10.1080/00401706.2026.2616463.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在机器学习和数据分析的交叉领域，异常检测旨在识别表现出异常行为的观测值。无论是测量误差、疾病发展、恶劣天气、产品质量缺陷（物品）或设备故障、金融欺诈或危机事件，其及时识别和隔离几乎在工业和科学的任何领域都构成一项重要任务。尽管已有大量文献致力于异常检测，但对其解释的关注却很少。这种情况主要由于任务本身固有的非监督性质以及像主成分分析（PCA）这样的探索性方法的不稳健性。我们引入了一种新的统计工具，专门用于基于数据深度的异常观测探索性分析。异常成分分析（简称ACA）是一种搜索最佳可视化和解释异常的低维数据表示的方法。这种低维表示不仅能够比当前最佳方法更好地区分异常组，还提供了一种关于变量的线性且易于解释的异常解释。在比较模拟和真实数据研究中，ACA也证明在异常分析方面优于文献中现有的方法。
Keyword:
Anomaly detection
Data depth
Data visualization
Dimension reduction
Explainability
Projection depth
Robustness
期刊
T
IF:
2.5
论文数:
66
被引数:
1.0W
机构
引用论文
分享收藏Breakdown Points of Affine Equivariant Estimators of Multivariate Location and Covariance Matrices
OAAI
OAAI分享收藏Robust estimation of multivariate location and scatter in the presence of cellwise and casewise contamination.png)
TEST
TESTIF0
PREAI
分享收藏
查看更多内容