異常検知クイズ

クイズに答えると、答えと解説が表示されます。

1. 異常検出モデルが、ラベル付けされた異常ではなく、主に「正常な」データに基づいてトレーニングされることが多いのはなぜですか?
   • 通常のデータはラベル付けが不正です
   • モデルは異常をまったく処理できません
   • 通常のデータは計算を必要としません
   • 異常はまれであり、ラベルが付けられた例はほとんどありません
2. 隔離フォレストはどのようにして異常を特定するのでしょうか?
   • 異常はより少ないランダム分割で分離され、パスの長さが短くなります
   • 異常を分離するには多くのランダムな分割が必要です
   • 各データポイントの色を測定します
   • 最初にラベルによってポイントをクラスタリングします
3. オートエンコーダが異常検出に使用される場合、何が異常を知らせますか?
   • 低い再構成誤差
   • 不慣れな入力による再構成エラーが大きくなる
   • トレーニング時間の短縮
   • ネットワーク内の層の増加
4. Local Outlier Factor メソッドは主に何に依存しますか?
   • 機能のアルファベット順
   • データセットの合計ファイルサイズ
   • 指定された点の周囲の点の密度
   • 既知の詐欺事件の固定リスト
5. 導入された異常検出システムにとって現実的な課題はどれですか?
   • 異常は時間が経っても変わらない
   • 通常のデータは常に完全にラベル付けされます
   • 外れ値は常にデータの大部分を占める
   • 「正常」の定義は変動する可能性があり、適応が必要です
6. 異常検出の典型的な用途はどのアプリケーションですか?
   • 不正なクレジット カード取引の検出
   • 写真をアルファベット順に並べ替える
   • 言語間のテキストの翻訳
   • ビデオファイルの圧縮
7. What does the contamination setting commonly represent in an Isolation Forest workflow?
   • The number of training trees that contain audio
   • An assumed or expected proportion of outliers used for thresholding
   • The probability a record was encrypted
   • The average depth of a normal point
8. Why should anomaly scores be reviewed with domain context?
   • An anomaly score always proves fraud
   • All normal data has an identical distribution
   • Rare but valid events can look unusual, and errors have different costs
   • A model score replaces an investigation