كيف يتفوق (K-)SIF على FIF في اكتشاف الشذوذ في البيانات الحقيقية

جدول الروابط

الملخص و 1. المقدمة

2. الخلفية والمقدمات

2.1. غابة العزل الوظيفية

2.2. طريقة التوقيع

3. طريقة عزل التوقيع في الغابة

4. التجارب العددية

4.1. تحليل حساسية المعلمات

4.2. مزايا (K-)SIF مقارنة بـ FIF

4.3. معيار اكتشاف الشذوذ في البيانات الحقيقية

5. المناقشة والاستنتاج وبيانات التأثير والمراجع

زائدة

أ. معلومات إضافية حول التوقيع

ب. خوارزميات K-SIF وSIF

ج. تجارب عددية إضافية

4.3. معيار اكتشاف الشذوذ في البيانات الحقيقية

لتقييم فعالية خوارزميات (K-)SIF المقترحة وإجراء مقارنة مع FIF، نُجري تحليلًا مقارنًا باستخدام عشر مجموعات بيانات لكشف الشذوذ تم إنشاؤها في Staerman et al. (2019) وتم الحصول عليها من مستودع UCR (Chen et al.، 2015). وعلى النقيض من Staerman et al. (2019)، فإننا لا نستخدم جزء تدريب/اختبار حيث لا تُستخدم العلامات للتدريب وندرب ونقيم النماذج على بيانات التدريب فقط. نقوم بتقييم أداء الخوارزميات من خلال تحديد المساحة تحت المنحنيات ROC.

من ناحية أخرى، يوضح الشكل 4 التفاوت في الأداء بين FIF وK-SIF باستخدام القاموس البراوني. والجدير بالذكر أن K-SIF يُظهِر ميزة أداء كبيرة على FIF. وتؤكد هذه الملاحظة على فعالية نواة التوقيع في تحسين أداء FIF عبر معظم مجموعات البيانات، مع التأكيد على مزايا استخدامها على منتج داخلي بسيط. من ناحية أخرى، نظرًا لتعقيد البيانات الوظيفية، لا يُتوقع أن تتفوق أي طريقة فريدة على غيرها عالميًا.

ومع ذلك، يُظهِر SIF أداءً قويًا في معظم الحالات، حيث حقق أفضل النتائج لخمس مجموعات بيانات. وعلى النقيض من FIF وK-SIF، فإنه يُظهِر متانة في التعامل مع مجموعة متنوعة من مجموعات البيانات مع عدم تأثره بشكل كبير باختيار المعلمات المشاركة في FIF (القاموس والناتج الداخلي) وK-SIF (القاموس).