Published August 4, 2023
| Version v1
Publication
Open
Density kernel depth for outlier detection in functional data
- 1. University College London
- 2. Universidad Carlos III de Madrid
- 3. Universidad Torcuato Di Tella
Description
Abstract In this paper, we propose a novel approach to address the problem of functional outlier detection. Our method leverages a low-dimensional and stable representation of functions using Reproducing Kernel Hilbert Spaces (RKHS). We define a depth measure based on density kernels that satisfy desirable properties. We also address the challenges associated with estimating the density kernel depth. Throughout a Monte Carlo simulation we assess the performance of our functional depth measure in the outlier detection task under different scenarios. To illustrate the effectiveness of our method, we showcase the proposed method in action studying outliers in mortality rate curves.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الملخص في هذه الورقة، نقترح نهجًا جديدًا لمعالجة مشكلة الكشف الوظيفي المتطرف. تستفيد طريقتنا من تمثيل منخفض الأبعاد ومستقر للوظائف باستخدام مساحات إعادة إنتاج Kernel Hilbert (RKHS). نحدد مقياس العمق بناءً على حبات الكثافة التي تلبي الخصائص المرغوبة. كما نتناول التحديات المرتبطة بتقدير عمق نواة الكثافة. خلال محاكاة مونت كارلو، نقوم بتقييم أداء مقياس العمق الوظيفي لدينا في مهمة الكشف المتطرفة في ظل سيناريوهات مختلفة. لتوضيح فعالية طريقتنا، نعرض الطريقة المقترحة في العمل لدراسة القيم المتطرفة في منحنيات معدل الوفيات.Translated Description (French)
Résumé Dans cet article, nous proposons une nouvelle approche pour résoudre le problème de la détection fonctionnelle des valeurs aberrantes. Notre méthode s'appuie sur une représentation basse dimensionnelle et stable des fonctions à l'aide de Reproducing Kernel Hilbert Spaces (RKHS). Nous définissons une mesure de profondeur basée sur des noyaux de densité qui satisfont les propriétés souhaitables. Nous abordons également les défis associés à l'estimation de la profondeur du noyau de densité. Tout au long d'une simulation Monte Carlo, nous évaluons la performance de notre mesure de profondeur fonctionnelle dans la tâche de détection des valeurs aberrantes dans différents scénarios. Pour illustrer l'efficacité de notre méthode, nous présentons la méthode proposée en action en étudiant les valeurs aberrantes dans les courbes de taux de mortalité.Translated Description (Spanish)
Resumen En este artículo, proponemos un enfoque novedoso para abordar el problema de la detección funcional de valores atípicos. Nuestro método aprovecha una representación de funciones de baja dimensión y estable utilizando Reproducing Kernel Hilbert Spaces (RKHS). Definimos una medida de profundidad basada en núcleos de densidad que satisfacen las propiedades deseables. También abordamos los desafíos asociados con la estimación de la profundidad del núcleo de densidad. A lo largo de una simulación de Monte Carlo, evaluamos el rendimiento de nuestra medida de profundidad funcional en la tarea de detección de valores atípicos en diferentes escenarios. Para ilustrar la efectividad de nuestro método, mostramos el método propuesto en acción estudiando valores atípicos en curvas de tasa de mortalidad.Files
s41060-023-00420-w.pdf.pdf
Files
(15.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:0f9654f2a294e71e37323f0d7d4e02df
|
15.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- عمق نواة الكثافة للكشف المتطرف في البيانات الوظيفية
- Translated title (French)
- Profondeur du noyau de densité pour la détection des valeurs aberrantes dans les données fonctionnelles
- Translated title (Spanish)
- Profundidad del núcleo de densidad para la detección de valores atípicos en datos funcionales
Identifiers
- Other
- https://openalex.org/W4385580244
- DOI
- 10.1007/s41060-023-00420-w
References
- https://openalex.org/W1565176583
- https://openalex.org/W1968300239
- https://openalex.org/W1991308917
- https://openalex.org/W2015904350
- https://openalex.org/W2025122406
- https://openalex.org/W2029061484
- https://openalex.org/W2030209765
- https://openalex.org/W2047114443
- https://openalex.org/W2047278710
- https://openalex.org/W2055028010
- https://openalex.org/W2063016434
- https://openalex.org/W2079815272
- https://openalex.org/W2085570173
- https://openalex.org/W2102854765
- https://openalex.org/W2131357767
- https://openalex.org/W2132870739
- https://openalex.org/W2151996692
- https://openalex.org/W2602734281
- https://openalex.org/W2964259247
- https://openalex.org/W3021971632
- https://openalex.org/W4221034886
- https://openalex.org/W4250766106
- https://openalex.org/W4306929565