XiaoMi-AI文件搜索系统
World File Search SystemOUTLIER
转移异常检测的Neyman-Pearson算法
我们考虑在较少目标数据异常数据的异常检测中转移学习的问题。尽管在传统平衡分类中广泛考虑了转移学习，但在异常检测中转移的问题和分类设置不平衡的问题较少。我们提出了一个通用的元算法，理论上显示以产生强大的保证。与异常分布的一系列变化，同时也适合实际实施。然后，我们研究了基于多层神经网络的这种一般元吻合的不同实例，并从经验上表明，它们在传统平衡分类设置（目前是唯一可用的解决方案）上的自然传递方法的表现优于传统传输方法的表现。
高成本异常靶向药物例外 C17973-A
文件要求：Molina Healthcare 保留要求提供额外文件的权利，作为其承保范围确定、质量改进和欺诈、浪费和滥用预防流程的一部分。所需文件可能包括但不限于患者记录、测试结果和订购或执行药物或服务的提供商的凭证。如果提供的文件不支持初步确定药物或服务是医疗必需品、非研究性或实验性的，并且属于会员可获得的福利范围，和/或文件显示计费模式或其他做法不适当或过度，Molina Healthcare 可能会拒绝报销或采取其他适当行动。
基于聚类的异常值检测，以改善情况...
这项工作的目的是研究基于集群的异常检测是否可以检测空中交通中的异常事件。正常模型适用于仅包含标记为正常的航班的数据。给定这个正常模型，调整异常检测函数，以便将与正常模型相似的数据点分类为正常，将异常的数据点分类为异常。由于数值数据的结构未知，因此测试了三种不同的聚类方法：K-means、高斯混合模型和谱聚类。根据正常模型的建模方式，使用不同的方法来调整检测函数，例如基于距离、概率，最后通过一类支持向量机。
超声波引线键合异常值分类算法
楔形键合机使用超声波能量将金属线键合到金属基板上，整个过程仅需几毫秒。在大批量生产中，故障会导致停机和成本增加。在线监控系统用于减少故障并确定根本原因。我们开发并测试了一种算法来对超声波线键合生产中的异常值进行分类。该算法用于大型线楔形键合机，以测量和分析过程信号并检测和分类键合异常值。它可以帮助键合机操作员、生产主管和工艺工程师检测工艺偏差并解决潜在的根本原因。该算法测量键合信号，例如变形、超声波电流和超声波频率。根据键合顺序和工艺参数，键合会自动分为子组，然后对子组内的信号进行归一化。对于异常值分类，从归一化信号中提取特征并将其组合成故障类别值。污染、无线、高变形、线错位和基板不稳定等故障类别是独立计算的。我们测量了大型铝线键合故障类别的检测率，并演示了该算法如何根据信号计算故障类别值。此外，我们还展示了如何定义新的信号特征和故障类别来检测特定于生产或罕见的故障类别。关键词楔形键合机、超声波引线键合、异常值分类、键合故障、检测算法。
Crane 2024年度报告：对离群流程的响应
回应我很高兴能与我们的信任的首席执行官共享这种积极的离群地位（再次），并接受外部审查。我已经解释了我认为在许多情况下取得成功的原因。其中大部分归功于优秀的团队合作，从一开始就将审计和数据收集嵌入我们的服务中，并获得资源以使我们能够提供出色的护理。就像许多服务一样，我觉得从裂口中删除资源的压力比以往任何时候都更大。很容易忘记维持卓越和错误地识别可以在其他地方采用和使用的资源来源的辛勤工作。Cleft服务的资金充分是有原因的，这不得忘记。我注意到，这些结果可能是前卵巢前的群体中的最后一个，但我仍然希望我们的结果将继续保持良好状态，尽管交付方式不同。我将不会从30/9开始成为这项服务的临床领导，并且非正式地听到戴维·塞恩斯伯里（David Sainsbury）从那个日期开始接管。请解决对他的未来信件。我有信心大卫会以纽卡斯尔的裂口向前发展，并继续改善我们以前的成功。Peter Hodgkinson先生临床负责人纽卡斯尔裂口服务
ODHD：用于异常值检测的一类脑启发式超维计算
异常值检测是一项经典且重要的技术，已用于医疗诊断和物联网等不同应用领域。最近，基于机器学习的异常值检测算法，例如一类支持向量机（OCSVM）、隔离森林和自动编码器，在异常值检测方面表现出色。在本文中，我们彻底摆脱这些经典学习方法，提出了一种基于超维计算（HDC）的异常值检测方法 ODHD。在 ODHD 中，异常值检测过程基于 PU 学习结构，其中我们基于正常样本训练一类 HV。此 HV 表示所有正常样本的抽象信息；因此，任何相应 HV 与此 HV 不同的（测试）样本都将被视为异常值。我们使用六个不同应用领域的数据集进行了广泛的评估，并使用三个指标（包括准确率、F1 分数和 ROC-AUC）将 ODHD 与 OCSVM、隔离森林和自动编码器等多种基线方法进行了比较。实验结果表明，对于每个指标，ODHD 在每个数据集上的表现都优于所有基线方法。此外，我们对 ODHD 进行了设计空间探索，以说明性能和效率之间的权衡。本文提出的有希望的结果为传统异常值检测学习算法提供了一种可行的选择和替代方案。
使用基于离群删除的最大
摘要：由于世界各地的高死亡率，心脏病已经成为许多人的严重健康问题。常规的临床数据分析在心脏病的早期诊断方面有很大的困难。心脏病的鉴定可能会受益于机器学习的使用。为了改善机器学习模型，以前已经进行了几项研究。建议的研究使用分类的最大投票集合技术有效地识别心脏病。建议的分类器是一种更可靠和准确的方法。以识别和消除异常值，进行四分位数范围外离群值的去除和在预处理过程中的最低最大标准化。准确性，精度，召回和F1得分是针对各种模型进行计算和评估的。对于从Kaggle收集的心脏病数据集，建议的最大投票集合分类器的精度为99.22％。关键字：心脏病，最大投票，合奏，离群拆除，XGBoost，决策树，KNN，SVM，梯度增强
提高脑电图数据质量：异常值检测和清理方法的全面回顾
脑电图 (EEG) 是神经科学和临床诊断中的重要工具，可为了解大脑功能提供宝贵信息。然而，EEG 数据常常受到噪声和异常值的影响，从而影响数据质量和分析准确性。本文全面回顾了针对 EEG 数据的异常值检测和数据集清理技术，并对 EEGEyeNet 数据集进行了附加应用。我们的系统综述涵盖了统计、机器学习、信号处理和视觉检查方法在降噪和去除异常值方面的最新进展。我们根据这些方法的准确性、稳健性、计算效率和对 EEG 数据的适用性对其进行评估。我们的结果强调了当前技术的优势和局限性，并利用这些研究结果提出了对 EEGEyeNet 数据处理的潜在改进。本综述旨在指导研究人员选择有效的异常值检测和清理策略，最终提高 EEG 数据分析的可靠性。
使用局部异常因子 (LOF) 进行适应性强且稳健的 EEG 坏通道检测
摘要：脑电图 (EEG) 数据通常会受到伪影的影响。检测和去除坏通道（即信噪比较差的通道）是至关重要的初始步骤。由于数据质量、伪影性质和所采用的实验范式存在内在差异，从不同人群获取的 EEG 数据需要不同的清理策略。为了处理这些差异，我们提出了一种基于局部离群因子 (LOF) 算法的稳健 EEG 坏通道检测方法。与大多数现有的寻找通道全局分布的坏通道检测算法不同，LOF 相对于通道的局部集群来识别坏通道，这使其适用于任何类型的 EEG。为了测试所提算法的性能和多功能性，我们在从三个人群（新生儿、婴儿和成人）获取的 EEG 上进行了验证，并使用了两个实验范式（事件相关和频率标记）。我们发现，在校准其主要超参数（LOF 阈值）后，LOF 可应用于所有类型的 EEG 数据。我们利用现有的最先进 (SoA) 坏通道检测方法对该方法的性能进行了基准测试。我们发现，LOF 通过将 F1 分数（我们选择的性能指标）提高到新生儿和婴儿的约 40%，将成人的 F1 分数提高到 87.5%，从而超越了所有方法。