×
西门，E。;奥兹图尔克（G.Ozturk）。

一类分类的O-PCF算法。 （英语） Zbl 1462.62379号

最佳方案。方法软件。 35，第6号，1065-1079（2020）.
摘要：当数据只能从一个目标类中正确获取时，一类分类或离群值检测非常重要。当缺少离群类（定义为目标类的补充集）时，该问题在各个领域都有很多应用。本文提出了一种新的一类分类算法，称为一类多面体二次函数（O-PCF）算法。在该算法中，目标类的决策边界由PCF的水平集定义。PCF的水平集是一个凸多面体；因此，一个PCF只能得到凸决策边界。然而，目标类可能具有非凸结构。因此，O-PCF算法将目标类划分为\（k）个簇，并获得每个簇的PCF。O-PCF将最终分类器构造为生成非凸分离表面的最小PCF。通过与文献中其他方法的比较，给出了O-PCF算法的性能。测试结果表明，O-PCF算法在许多情况下都优于其他方法。

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
62G32型 极值统计；尾部推断
60层10 大偏差
68吨10 模式识别、语音识别
65千5 数值数学规划方法
90 C90 数学规划的应用

关键词：

一类分类;多面体二次曲线函数;异常检测;数学规划

软件：

古罗比;UCI-毫升;伦敦银行支持向量机;O-PCF公司;github
PDF格式BibTeX公司 XML格式引用
\textit{E.Cimen}和\textit{G.Ozturk}，Optim。方法软件。35，第6号，1065--1079（2020；Zbl 1462.62379）
全文： 内政部

参考文献：

[1] Bagirov，A.M。；Ugon，J。；韦伯，D。；Ozturk，G。；Kasimbeyli，R.，基于多面体二次曲线和最大最小可分性的新型分段线性分类器，TOP，21，3-24（2013）·Zbl 1263.65051号 ·doi:10.1007/s11750-011-0241-5
[2] 布鲁默，A。；埃伦菲赫特，A。；Haussler，D。；Warmuth，M.K.，《可学习性与vapnik-chervonenkis维度》，J.ACM，36929-965（1989）·Zbl 0697.68079号 ·数字对象标识代码：10.1145/76359.76371
[3] Campbell，C.和Bennett，K.P.，《新颖性检测的线性规划方法》，载于《第13届神经信息处理系统国际会议论文集》，NIPS'00，丹佛，科罗拉多州，麻省理工学院出版社，马萨诸塞州坎布里奇，美国，2000年，第374-380页。
[4] Cevikalp，H.和Triggs，B.，《用于视觉对象检测和分类的多面体圆锥分类器》，2017年7月于夏威夷檀香山举行的2017 IEEE计算机视觉和模式识别会议（CVPR）。
[5] Chang，C.C。；Lin，C.J.，LIBSVM：支持向量机库，ACM Trans。因特尔。系统。技术。，2, 27:1-27:27 (2011) ·数字对象标识代码：10.1145/1961189.1961199
[6] Cimen，E.，基于多面体二次曲线函数分类器的手势识别，阿纳多鲁大学科学研究生院硕士论文，2013年，（土耳其语）。
[7] Cimen，E。；Ozturk，G.，通过基于k均值的多面体圆锥函数算法进行心律失常分类，798-802
[8] de Ridder，D.、Tax，D.和Duin，R.，《一类分类方法的实验比较》，载于《计算与成像高级学院第四届年会论文集》，代尔夫特，1998年。
[9] Elkan，C.和Noto，K.，《仅从正面和未标记数据学习分类器》，载于《第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集》，KDD’08，美国内华达州拉斯维加斯，美国ACM，纽约，美国NY，2008年，第213-220页。可从doi:10.1145/1401890.1401920获取。
[10] 埃尔法尼，S.M。；拉贾塞加拉，S。；卡鲁塞凯拉，S。；Leckie，C.，使用线性单类（####）SVM（####）进行高维和大规模异常检测，深度学习，模式识别。，58, 121-134 (2016) ·doi:10.1016/j.patcog.2016.03.028文件
[11] Gasimov，R.N。；Ozturk，G.，通过多面体二次曲线函数分离，Optim。方法软件。，21227-540（2006年）·Zbl 1113.90095号 ·doi:10.1080/10556780600723252
[12] Github:o-pcf算法的Python 2.7代码（2017），https://github.com/emrecimen/O-PCF-Algorithm。
[13] 郝培友，模糊一类支持向量机，模糊集系统。，159, 2317-2336 (2008) ·Zbl 1186.68367号 ·doi:10.1016/j.fss.2008.01.013
[14] Gurobi，I.，Gurobie优化器参考手册（2016），网址：http://www.gurobi.com。
[15] Japkowicz，N.，《缺乏反例的概念学习：基于自联想的分类方法》，博士论文。，新不伦瑞克罗格斯大学，新泽西州立大学，1999年。
[16] Khan，S.S.和Madden，M.G.，《一类分类：研究分类和技术综述》，CoRR abs/1312.0049（2013），可在http://arxiv.org/abs/1312.0049。
[17] Lichman，M.，UCI机器学习库（2013），网址：http://archive.ics.uci.edu/ml。
[18] Liu，B.，Dai，Y.，Li，X.，Lee，W.S.，and Yu，P.S.，《使用正面和未标记示例构建文本分类器》，第三届IEEE数据挖掘国际会议，美国佛罗里达州墨尔本，2003年，第179-186页。
[19] Manevitz，L.M。；Yousef，M.，《文档分类的一类支持向量机》，J.Mach。学习。第139-154号决议（2002年）·Zbl 1002.68597号
[20] Moya，M.M.、Koch，M.W.和Hostetler，L.D.，用于目标识别应用的一类分类器网络，技术代表，Sandia国家实验室。，新墨西哥州阿尔伯克基（美国），1993年。
[21] Ozturk，G。；Bagirov，A.M。；Kasimbeyli，R.，基于多面体二次曲线分离的增量分段线性分类器，马赫。学习。，101, 397-413 (2015) ·Zbl 1343.62037号 ·doi:10.1007/s10994-014-5449-9
[22] Ozturk，G。；Ciftci，M.T.，分类中基于聚类的多面体二次曲线函数算法，J.Ind.Manage。最佳。，11, 921-932 (2015) ·Zbl 1456.68162号 ·doi:10.3934/jimo.2015.11.921
[23] Pestov，V.，《Pac可学习性与风险维度：统计学习基本结果的脚注》，CoRR abs/1104.297（2011），可在http://arxiv.org/abs/104.2097。
[24] Schölkopf，B。；普拉特，J.C。；Shawe Taylor，J.C。；Smola，A.J。；Williamson，R.C.，估计高维分布的支持，神经计算。，13, 1443-1471 (2001) ·Zbl 1009.62029号 ·doi:10.1162/089976601750264965
[25] Tax，D.M.，一类分类（2001）。
[26] 税务博士。；Duin，R.P.，支持向量域描述，模式识别。莱特。，20, 1191-1199 (1999) ·doi:10.1016/S0167-8655（99）00087-2
[27] Valiant，L.G.，《可学习的共同理论》。ACM，271134-1142（1984）·Zbl 0587.68077号 ·doi:10.145/1968.1972
[28] Vapnik，V。；Chervonenkis，A.，《关于事件相对频率与其概率的一致收敛性》，《概率论》。申请。，16, 264-280 (1971) ·Zbl 0247.60005号 ·数字对象标识代码：10.1137/1116025
[29] Vapnik，V。；莱文，E。；Cun，Y.L.，测量学习机的vc维，神经计算。，6, 851-876 (1994) ·doi:10.1162/neco.1996.5.851
[30] Yu，H.，SVMC：基于支持向量机的单类分类，载于《第18届国际人工智能联合会议论文集》，IJCAI'03，墨西哥阿卡普尔科，网址：http://dl.acm.org/citation.cfm？id=1630659.1630743，Morgan Kaufmann Publishers Inc.，加利福尼亚州旧金山，2003年，第567-572页。
[31] Yu，H.，映射收敛的单类分类，Mach。学习。，61, 49-69 (2005) ·Zbl 1469.62294号 ·doi:10.1007/s10994-005-1122-7
[32] Zeugmann，T.，PAC Learning，摘自《机器学习和数据挖掘百科全书》，C.Sammut和G.I.Webb，eds.，Springer US，Boston，MA，2017年，第949-959页·Zbl 1434.68001号
[33] 张，R.，张，S.，Muthuraman，S.和Jiang，J.，通信网络性能数据中异常检测的一类支持向量机，《第五届应用电磁学、无线和光通信会议论文集》，2007年，西班牙加那利群岛特内里费，世界科学与工程学会（WSEAS），美国威斯康星州史蒂文斯点，2007年，第31-37页。可在http://dl.acm.org/citation.cfm？id=1503549.1503556。
[34] Zhang，Y.、Meratnia，N.和Havinga，P.，无线传感器网络自适应和在线单类支持向量机离群值检测技术，2009年高级信息网络和应用研讨会国际会议，英国布拉德福德，2009年5月，第990-995页。
[35] 朱，F。；杨，J。；高，C。；徐，S。；叶，N。；Yin，T.，加权单类支持向量机，神经计算，189，1-10（2016）·doi:10.1016/j.neucom.2015.10.097号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。