Kurtosis-Guided Denoising Score Matching per il Rilevamento di Anomalie
Un nuovo metodo chiamato scaling del rumore basato sulla curtosi (K-DSM) migliora il denoising score matching (DSM) per il rilevamento di anomalie in dati tabulari. Il DSM apprende le distribuzioni dei dati addestrando reti neurali a recuperare le funzioni score da campioni corrotti dal rumore, con l'entità dello score che indica l'anomalia. La sfida è selezionare la scala di perturbazione: troppo poco rumore causa stime instabili, troppo rumore cancella la struttura. K-DSM imposta livelli di rumore per caratteristica basati sulla curtosi della distribuzione marginale, migliorando la copertura delle regioni a bassa densità e la precisione nelle aree ad alta densità senza complessità aggiuntiva. L'articolo è su arXiv.
Fatti principali
- K-DSM è un metodo di scaling del rumore basato sulla curtosi per DSM
- Il DSM addestra reti neurali a recuperare le funzioni score da campioni corrotti dal rumore
- L'entità dello score in un punto di test indica l'anomalia
- La selezione della scala di perturbazione è una sfida chiave
- Troppo poco rumore produce stime instabili in regioni sparse
- Troppo rumore cancella la struttura locale
- K-DSM imposta livelli di rumore per caratteristica dalla forma della distribuzione marginale
- Non è richiesta complessità aggiuntiva del modello
Entità
Istituzioni
- arXiv