Cascade Subspace Clustering for Outlier Detection

要約

スパースおよび低ランク表現に基づく多くの手法が、正しい外れ値検出の保証とともに開発されています。
自己表現では、部分空間内の点は常に部分空間内の他の点の線形結合として表現できると述べています。
適切なマルコフ連鎖を自己表現上で定義することができ、これによりインライアとアウトライアの違いを認識できるようになります。
ただし、外れ値検出を検出するために依然として有益な自己表現の再構成誤差は無視されます。勾配ブースティングに触発されて、この論文では、一連の弱い「外れ値検出器」を組み合わせて新しい外れ値検出フレームワークを提案します。
マルチパス自己表現を構築することにより、反復的な方法で単一の強力なものを作成します。
各段階で、エラスティックネットに基づいて自己表現を構築し、その上で外れ値を検出するために適切なマルコフ連鎖を定義します。
自己表現の残差は、次の段階で次に弱い外れ値検出器を学習するために使用されます。
このような段階が何度も繰り返されます。
そして、外れ値の最終決定は、以前のすべての結果によって生成されます。
画像と話者のデータセットに関する実験結果は、最先端のまばらな外れ値と低ランクの外れ値検出方法に関してその優位性を示しています。

要約(オリジナル)

Many methods based on sparse and low-rank representation been developed along with guarantees of correct outlier detection. Self-representation states that a point in a subspace can always be expressed as a linear combination of other points in the subspace. A suitable Markov Chain can be defined on the self-representation and it allows us to recognize the difference between inliers and outliers. However, the reconstruction error of self-representation that is still informative to detect outlier detection, is neglected.Inspired by the gradient boosting, in this paper, we propose a new outlier detection framework that combines a series of weak ‘outlier detectors’ into a single strong one in an iterative fashion by constructing multi-pass self-representation. At each stage, we construct a self-representation based on elastic-net and define a suitable Markov Chain on it to detect outliers. The residual of the self-representation is used for the next stage to learn the next weaker outlier detector. Such a stage will repeat many times. And the final decision of outliers is generated by the previous all results. Experimental results on image and speaker datasets demonstrate its superiority with respect to state-of-the-art sparse and low-rank outlier detection methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google