×
杜弗雷诺伊斯（F.Dufrenois）。;J.C.诺亚。

一类近似支持向量机。 （英语） Zbl 1394.68283号

模式识别 52, 96-112 (2016).
摘要：最近，在[第一作者，“离群值检测的一类核Fisher准则”，IEEE Trans.Neural Netw.Learn.Syst.2，No.1，1–99（2014）]中，提出了一种新的Fisher型对比度测量，以提取受离群值污染的数据集中的目标人群。虽然在数学上是合理的，但这项工作在形式主义和使用领域都存在一些进一步的缺陷。首先，我们建议从中介绍的最近邻支持向量机的形式化重新表述这个问题[O.L.Mangasarian公司和E.W.野生，“基于广义特征值的多表面近端支持向量机分类”，IEEE Trans。模式分析。机器。智力。28，第1期，69–74页（2006年；doi:10.1109/tpami.2006.17)]. 这一改变远非无害，因为它引入了一种适合解决问题的写作方式。该方法的另一个限制因素是，其性能依赖于目标和异常值之间的密度不同的假设。对于现实世界的数据集，这种考虑很容易被证明是过于乐观的，这使得该方法不可靠，至少直接不可靠。决策边界的计算是该算法的一个耗时部分，因为它是基于求解广义特征值问题（GEP）。因此，此方法仅限于中等大小的数据集。在本文中，我们提出了适当的策略来消除所有这些缺点，并充分受益于该方法的利益。首先，我们证明在某些条件下，生成适当的人工离群值可以保持在方法的约束范围内，从而扩大了使用条件。其次，我们证明了GEP可以被共轭梯度解（CG）有利地替换，从而显著降低了计算成本。最后，在合成数据集和实际数据集上，将该算法与最新的新颖检测器进行了比较。

引用于1文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

异常检测;近端支持向量机;线性规划问题;对比度测量

软件：

开放式基金
PDF格式BibTeX公司 XML格式引用
\textit{F.Dufrenois}和\textit{J.C.Noyer}，模式识别52，96-112（2016；Zbl 1394.68283）
全文： 内政部

参考文献：

[1] Dufrenois，F.，离群值检测的一类核Fisher准则，IEEE Trans。神经网络。学习。系统。，2, 1, 1-99, (2014)
[2] Mangasarian，O。；Wild，E.，基于广义特征值的多表面近端支持机分类，IEEE Trans。模式分析。机器。智力。，28, 1, 69-74, (2006)
[3] 巴内特，V。；Lewis，T.，《统计数据中的异常值》（1994），约翰威利·Zbl 0801.62001
[4] M.Breunig，H.Kriegel，R.T.Ng，J.Sander，Lof:识别基于密度的局部异常值，摘自：《国际数据管理会议论文集》，2000年，第93-104页。
[5] H.Kriegel、P.Kroger、E.Schubert、A.Zimek，《回路：局部异常概率》，摘自：《2009年国际信息与知识管理会议论文集》，第1649-1652页。
[6] E.Schubert，A.Zimek，H.Kriegel，《具有灵活核密度估计的广义异常值检测》，载于《第14届SIAM国际数据挖掘会议论文集》，费城，2014年·Zbl 1281.68192号
[7] S.Jiang，Q.An，基于聚类的离群值检测方法，载《模糊系统与知识发现国际会议》，2008年，第429-433页。
[8] R.Smith，A.Bivens，M.Embrechts，C.Palagiri，B.Szymanski，基于异常的入侵检测聚类方法，收录于：《通过人工神经网络的智能工程系统学报》，2002年，第579-584页。
[9] Schölkopf，B。；Smola，A。；威廉姆森，R。；Bartlett，P.，新支持向量算法，神经计算。，第12卷，1083-1121，（2000）
[10] 税务，D。；Duin，R.，支持向量领域描述，模式识别。莱特。，20, 1191-1199, (1999)
[11] Hoffmann，H.，新颖性检测的核主成分分析，模式识别。，40, 3, 863-874, (2007) ·Zbl 1118.68140号
[12] Shen Y.，A.Izenman，使用带径向基函数核的最小核主成分进行异常值检测，载于：联合统计会议，2008年。
[13] Roth，V.，Kernel Fisher离群值检测判别法，神经计算。，18, 942-960, (2006) ·兹比尔1095.68673
[14] 税务博士，一级分类（博士论文），代尔夫特理工大学，2001年。
[15] 杜弗雷诺伊斯（F.Dufrenois）。；Noyer，J.，将稳健线性回归估计公式化为一类lda标准判别帽矩阵，IEEE Trans。神经网络。学习。系统。，24, 2, 262-273, (2013)
[16] C.Ding，T.Li，使用判别分析和k-means聚类进行自适应降维，载《第24届机器学习国际会议论文集》，2007年，第521-528页。
[17] F.de la Torre Frade，T.Kanade，判别聚类分析，摘自：《第23届机器学习国际会议论文集》，美国，2006年，第241-248页。
[18] Chatterjee，S。；Hadi，A.，线性回归中的敏感性分析，（1988），威利纽约·Zbl 0648.62066号
[19] 叶建中，赵中明，吴明明，聚类的判别k-means，收录于：神经信息与处理系统，2007年。
[20] 税务，D。；Duin，R.，优化单类分类器的统一对象生成，J.Mach。学习。《决议》，第2卷，155-173，（2001）·Zbl 1002.68599号
[21] A.Banhalmi，A.Kocsor，R.Busa-Fekete，基于反示例生成的单类分类，收录于：《第18届欧洲机器学习会议论文集》，2007年，第543-550页。
[22] W.Zhu，S.Wang，R.Lin，S.Levinson，用svm回归跟踪对象，在：IEEE计算机视觉模式识别会议，2001年，第240-245页。
[23] W.Fan，M.Miller，S.J.Stolfo，W.Lee，《使用人工异常检测未知和已知网络入侵》，收录于：《第一届IEEE数据挖掘国际会议论文集》，2001年，第123-130页。
[24] Schölkopf，B。；Smola，A.，《用内核学习》（2002），麻省理工学院出版社
[25] E.Pekalska，D.Tax，R.Duin，用于不同表示的一类LP分类器，神经信息处理。系统。15 (2003).
[26] Hido，S。；Y.Tsuboi。；鹿岛，H。；杉山，M。；Kanamori，T.，使用直接密度比估计的统计异常值检测，Knowl。信息系统。，2011年8月26日，309-336
[27] 杉山，M。；南岛中岛。；鹿岛，H。；冯布诺，P.P。；Kawanabe，M.，协变量移位自适应的直接重要性估计，Ann.Inst.Stat.Math。，60, 4, 699-746, (2008) ·Zbl 1294.62069号
[28] 李思源，曾毅，《学习定位相对异常值》，载《亚洲机器学习会议》，2011年，第47-62页。
[29] P.Bodesheim、A.Freytag、E.Rodner、M.Kemmler、J.Denzler，《新颖性检测的内核零空间方法》，收录于：《计算机视觉与模式识别》，2013年，第3374-3381页。
[30] V.Garcia、J.Sanchez、R.Mollineda、R.Alejo和J.Sotoca，《模式分类和学习中的阶级不平衡问题》，收录于：《TAMIDA进展》，第1卷，2007年。
[31] 肖尔科夫，B。；普拉特，J。；泰勒，J。；Smola，A。；Williamson，R.，估计高维分布的支持，神经计算。，13, 7, 1443-1471, (2001) ·Zbl 1009.62029号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。