浅层和集体深度随机神经网络用于异常检测
Anuradha Kumari1, A K Malik1, M Tanveer1
1Department of Mathematics, Indian Institute of Technology Indore, Simrol, Indore, 453552, Madhya Pradesh, India.
概括
我们介绍一级组合深度RVFL (OC-edRVFL),一个先进的异常检测模型. 这种新的方法提高了大型数据集的稳定性和概括性,优于传统方法.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 异常检测或一类分类 (OCC) 对于现实应用至关重要.
- 传统的基于支向量的机器OCC模型与大数据集和内核灵敏度作斗争.
- 现有的模型通常在捕捉复杂模式方面存在局限性,原因是单个隐藏层.
研究的目的:
- 为增强异常检测提出新的深度学习模型.
- 克服传统OCC方法的局限性,特别是大规模数据集.
- 提高一类分类模型的概括性,稳定性和稳定性.
主要方法:
- 引入一类随机向量功能链路 (OC-RVFL) 网络,融合线性和非线性模式.
- 通过将深度学习和集体学习与OC-RVFL集成,开发一类集体深度RVFL (OC-edRVFL).
- 使用封闭式解决方案进行高效的输出重量计算并推导泛化误差极限.
主要成果:
- 与OC-RVFL相比,OC-edRVFL模型表现出优越的稳定性,稳定性和通用性.
- 对各种数据集 (人工,UCI,NDC,MNIST) 的实验表明,OC-edRVFL的表现优于基线模型.
- 提出的模型在最多500万个样本的数据集上表现出高性能.
结论:
- OC-edRVFL是一种高效且可扩展的异常检测解决方案.
- 这种新的深层合奏方法显著提升了一类分类的功能.
- 这些模型减少了培训时间,并提高了大型复杂数据集的性能.
