ترجمه فارسی مقاله تأثیر نسبت آلودگی نادرست در تشخیص ناهنجاری بدون نظارت قوی

چکیده

Training data sets intended for unsupervised anomaly detection, typically presumed to be anomaly-free, often contain anomalies (or contamination), a challenge that significantly undermines model performance. Most robust unsupervised anomaly detection models rely on contamination ratio information to tackle contamination. However, in reality, contamination ratio may be inaccurate. We investigate on the impact of inaccurate contamination ratio information in robust unsupervised anomaly detection. We verify whether they are resilient to misinformed contamination ratios. Our investigation on 6 benchmark data sets reveals that such models are not adversely affected by exposure to misinformation. In fact, they can exhibit improved performance when provided with such inaccurate contamination ratios.

چکیده به فارسی (ترجمه ماشینی)

مجموعه داده های آموزش در نظر گرفته شده برای تشخیص ناهنجاری بدون نظارت ، که به طور معمول بدون ناهنجاری فرض می شود ، اغلب حاوی ناهنجاری ها (یا آلودگی) است ، چالشی که به طور قابل توجهی عملکرد مدل را تضعیف می کند.بیشتر مدل های تشخیص ناهنجاری بدون نظارت بر اطلاعات نسبت به آلودگی برای مقابله با آلودگی متکی هستند.با این حال ، در واقعیت ، نسبت آلودگی ممکن است نادرست باشد.ما در مورد تأثیر اطلاعات نسبت کم آلودگی در تشخیص ناهنجاری بدون نظارت قوی بررسی می کنیم.ما تأیید می کنیم که آیا آنها نسبت به نسبت های آلودگی نادرست انعطاف پذیر هستند یا خیر.تحقیقات ما در مورد 6 مجموعه داده معیار نشان می دهد که چنین مدلهایی تحت تأثیر قرار گرفتن در معرض اطلاعات غلط قرار نمی گیرند.در حقیقت ، آنها می توانند در صورت ارائه چنین نسبت های آلودگی نادرست ، عملکرد بهبود یافته را نشان دهند.