[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Transformation interprétable et analyse des chronologies par l'apprentissage par la surprisabilité

Created by
  • Haebom

Auteur

Osnat Mokryn, Teddy Lazebnik, Hagit Ben Shoshan

Contour

Dans cet article, nous proposons une nouvelle approche pour analyser des données de séries chronologiques de grande dimension et détecter les valeurs aberrantes et les anomalies, appelée « Apprentissage par Surprise » (LvS). Nous constatons que les techniques existantes peinent à analyser efficacement en raison de problèmes tels que la haute dimensionnalité, les distributions complexes et la parcimonie. Nous nous inspirons donc du concept de « surprise », une façon humaine de prêter attention aux écarts inattendus. LvS quantifie et hiérarchise les anomalies dans les données de séries chronologiques en quantifiant et en hiérarchisant les écarts par rapport aux comportements attendus. Nous appliquons LvS à trois données de séries chronologiques de grande dimension : les données de capteurs, les données mondiales sur les causes de décès et les discours présidentiels américains, et démontrons qu'elle permet d'identifier efficacement et de manière interprétable les valeurs aberrantes, les anomalies et les caractéristiques les plus volatiles. LvS relie les théories des sciences cognitives et les méthodes informatiques pour offrir une nouvelle façon de détecter les anomalies et les changements tout en préservant le contexte.

Takeaways, Limitations

Takeaways:
Nous présentons une nouvelle méthode permettant d’identifier efficacement et de manière interprétable les valeurs aberrantes et les anomalies dans les données de séries chronologiques de grande dimension.
Intégrer les théories des sciences cognitives et les méthodes informatiques pour offrir une nouvelle perspective sur l'analyse des données.
Suggère l'applicabilité à divers domaines (données de capteurs, données médicales, dossiers historiques, etc.).
Limitations:
Les performances de LvS peuvent varier en fonction des caractéristiques des données (par exemple, la distribution des données, le degré de parcimonie).
Les critères de quantification de la « surprise » peuvent être subjectifs, et des recherches supplémentaires sont nécessaires sur la généralisabilité à différentes situations.
Une réflexion plus approfondie est nécessaire concernant le coût et l’efficacité du calcul pour les grands ensembles de données.
👍