ترجمه فارسی مقاله تشخیص بیرونی چند نمای جزئی متضاد منظم

چکیده

In recent years, multi-view outlier detection (MVOD) methods have advanced significantly, aiming to identify outliers within multi-view datasets. A key point is to better detect class outliers and class-attribute outliers, which only exist in multi-view data. However, existing methods either is not able to reduce the impact of outliers when learning view-consistent information, or struggle in cases with varying neighborhood structures. Moreover, most of them do not apply to partial multi-view data in real-world scenarios. To overcome these drawbacks, we propose a novel method named Regularized Contrastive Partial Multi-view Outlier Detection (RCPMOD). In this framework, we utilize contrastive learning to learn view-consistent information and distinguish outliers by the degree of consistency. Specifically, we propose (1) An outlier-aware contrastive loss with a potential outlier memory bank to eliminate their bias motivated by a theoretical analysis. (2) A neighbor alignment contrastive loss to capture the view-shared local structural correlation. (3) A spreading regularization loss to prevent the model from overfitting over outliers. With the Cross-view Relation Transfer technique, we could easily impute the missing view samples based on the features of neighbors. Experimental results on four benchmark datasets demonstrate that our proposed approach could outperform state-of-the-art competitors under different settings.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، روشهای تشخیص چند منظوره (MVOD) به طور قابل توجهی پیشرفت کرده اند ، با هدف شناسایی مسافت های موجود در مجموعه داده های چند منظوره.نکته مهم این است که بهتر تشخیص بهتر کلاس ها و مسافت های کلاس-پذیرش کلاس ، که فقط در داده های چند منظوره وجود دارد.با این حال ، روشهای موجود یا قادر به کاهش تأثیر مسافت ها هنگام یادگیری اطلاعات سازگار با دید نیستند ، یا در مواردی با ساختارهای مختلف محله مبارزه می کنند.علاوه بر این ، بیشتر آنها در مورد داده های چند منظوره جزئی در سناریوهای دنیای واقعی اعمال نمی شوند.برای غلبه بر این اشکالاتی ، ما یک روش جدید به نام تشخیص چند منظوره چند منظوره متضاد تنظیم شده (RCPMOD) ارائه می دهیم.در این چارچوب ، ما از یادگیری متضاد برای یادگیری اطلاعات سازگار با دید استفاده می کنیم و از سطح قوام متمایز می شویم.به طور خاص ، ما (1) یک ضرر متضاد آگاهانه را با یک بانک حافظه دورتر بالقوه پیشنهاد می کنیم تا تعصب آنها را با انگیزه یک تحلیل نظری از بین ببریم.(2) یک همسایه همسایه از دست دادن متضاد برای گرفتن همبستگی ساختاری محلی با نمایشگاه.(3) از دست دادن منظم در حال گسترش برای جلوگیری از افزایش بیش از حد مدل بر فراز.با استفاده از تکنیک انتقال رابطه متقابل ، ما می توانیم به راحتی نمونه های نمای مفقود شده را بر اساس ویژگی های همسایگان تحمیل کنیم.نتایج تجربی در چهار مجموعه داده معیار نشان می دهد که رویکرد پیشنهادی ما می تواند از رقبای پیشرفته تحت تنظیمات مختلف بهتر عمل کند.