阿利斯泰尔·希尔顿；苏塔珊·拉贾塞加拉；马里穆图·帕拉尼斯瓦米 多类异常检测器：CS++支持向量机。 （英语） Zbl 1529.68266号 J.马赫。学习。物件。 21，第213号论文，39页（2020年）. 摘要：一种新的支持向量机（SVM）变体，称为CS++-SVM，提出了将多类分类和异常检测结合在一个单步过程中，以创建一个经过训练的机器，该机器可以同时对属于训练集中表示的类的测试数据进行分类，并将其标记为属于训练集中未表示类的异常测试数据。对新方法的特性进行了理论分析，说明了它是如何结合从圆锥分割SVM（CS-SVM）和1类SVM（在未标记训练数据的情况下，所述方法简化为1类）继承的特性的。最后，通过实验验证了该算法对模拟数据和实际数据的有效性。 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：多类别分类；异常检测；支持向量机；内核计算机；1类支持向量机 软件：集成SVM；UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{A.Shilton}等人，J.Mach。学习。第21号决议，第213号论文，39页（2020年；Zbl 1529.68266） 全文： 链接 参考文献： [1] E.L.Allwein、R.E.Schapire和Y.Singer。将多类简化为二进制：边缘分类器的统一方法。《第十七届机器学习国际会议论文集》，第9-16页，2000年。 [2] E.Alpaydin和C.Kaynak。级联分类器。Kybernetika，34（4）：369-3741998年·Zbl 1274.68284号 [3] K.Altun和B.Barshan。使用惯性/磁性传感器单元识别人类活动。《第一届人类行为理解国际研讨会论文集》（结合第二十届国际模式识别会议），2010年8月。 [4] K.Altun、B.Barshan和O.Tun？cel。微型惯性和磁性传感器对人类活动分类的比较研究。模式识别，43（10）：3605-3622010年10月·Zbl 1213.68513号 [5] D.Anguita、A.Ghio、O.Luca、X.Parra和J.L.Reyes-Oritiz。使用智能手机进行人类活动识别的公共域数据集。2013年4月，第21届欧洲人工神经网络、计算智能和机器学习研讨会论文集（ESANN2013）。 [6] M.A.阿姆斯特朗。基本拓扑。施普林格·弗拉格，纽约，1979年·Zbl 0436.55001号 [7] B.Barshan和M.C.Y–uksek。使用车载传感器单元识别两个开源机器学习环境中的日常和运动活动。《计算机杂志》，57（11）：1649-16672014年11月。 [8] P.L.Bartlett和M.H.Wegkamp。使用铰链损失的拒绝选项进行分类。《机器学习研究杂志》，2008年6月，9:1823-1840·Zbl 1225.62080号 [9] A.Ben Tal和A.Nemirovski。现代凸优化讲座。MPS-SIAM优化系列。SIAM，费城，2001年·Zbl 0986.90032号 [10] S.Boyd和L.Vandenberghe。凸优化。剑桥大学新闻集团，剑桥，2004年·Zbl 1058.90049号 [11] S.Bulusu、B.Kailkhura、B.Li、P.K.Varshney和D.Song。深度学习中的异常实例检测：一项调查，2020年。统一资源定位地址https://arxiv.org/abs/2003.06979。 [12] C.Campbell和K.P.Bennett。新颖性检测的线性规划方法。神经信息处理系统进展，13:395-4012001。 [13] R.Chalapathy和S.Chawla。异常检测的深度学习：2019年的一项调查。统一资源定位地址https://arxiv.org/abs/1901.03407。 [14] V.Chandola、A.Banerjee和V.Kumar。异常检测：一项调查。ACM计算。调查。，41（3），2009年7月。ISSN 0360-0300。 [15] 周星驰（C.K.Chow）。关于最佳识别错误和拒绝权衡。IEEE信息理论汇刊，16（1）：41-461970年1月·Zbl 0185.47804号 [16] M.Claesen、F.De Smet和J.A.K.Suykens。EnsembleSVM：使用支持向量机进行集成学习的库。机器学习研究杂志，15:141-1452014·Zbl 1317.68147号 [17] J.A.科克伦。线性积分方程的分析。麦格劳-希尔图书公司，1972年·兹比尔0233.45002 [18] D.L.科恩。测量理论。Birkh¨auser，1980年·Zbl 0436.28001号 [19] K.Crammer和Y.Singer。关于基于多类核的向量机的算法实现。《机器学习研究杂志》，2:265-292001·Zbl 1037.68110号 [20] N.克里斯蒂亚尼尼和J.肖-泰勒。支持向量机和其他基于内核的学习方法简介。剑桥大学出版社，英国剑桥，2005年。 [21] C.P.Diehl和G.Cauwenberghs。SVM增量学习、自适应和优化。《2003年国际神经网络联合会议论文集》，第2685-2690页，2003年。 [22] D.Dua和C.Graff。UCI机器学习库，2017年。统一资源定位地址http://archive.ics。uci.edu/ml。 [23] S.M.Erfani、S.Rajasegarar、S.Karunesekera和C.Leckie。使用具有深度学习的线性单类SVM进行高维和大规模异常检测。模式识别，58:121-1342016。 [24] G.Fumera和F.Roli。支持嵌入拒绝选项的向量机。S.-W.Lee和A.Verri编辑，《支持向量机模式识别程序：第一次国际研讨会》，第68-82页，柏林，海德堡，2002年8月。施普林格柏林海德堡·Zbl 1064.68585号 [25] I.S.Gradshteyn和I.M.Ryzhik。积分、系列和产品表。学术出版社，伦敦，2000年·Zbl 0981.65001号 [26] E.Grall-Ma¨es、P.Beauseroy和A.Bounsair。具有性能约束的监督多标签分类规则的质量评估。第十四届欧洲信号处理会议记录，2006年9月。 [27] Y.代客泊车、A.Rakotomonzy、J.Keshet和S.Canu。支持带有拒绝选项的向量机。D.Koller、D.Schuurmans、Y.Bengio和L.Bottou主编，《神经信息处理系统进展》21，第537-544页。Curran Associates，Inc.，2009年。 [28] J.Gubbi、R.Buyya、S.Marusic和M.Palaniswami。物联网（IoT）：愿景、架构元素和未来方向。未来一代。计算。系统。，29（7）：1645-1660，2013年9月。 [29] T.Hastie和R.Tibshirani。通过成对耦合进行分类。《统计年鉴》，26（2）：451-4711998·Zbl 0932.62071号 [30] R.赫布里奇。学习核心分类器：理论和算法。麻省理工学院出版社，2002年·Zbl 1504.68002号 [31] B.Johnson、R.Tateishi和Z.Xie。使用地理加权变量进行图像分类。《遥感快报》，3（6）：491-4992012年11月。 [32] R.H.卡塞尔。联机手写字符识别方法的比较。博士论文，剑桥，马萨诸塞州，美国，1995年。大学缩微胶片国际部不提供。 [33] C.卡纳克。组合多分类器的方法及其在手写数字识别中的应用。博加齐奇大学科学与工程研究生院硕士论文，1995年。 [34] 郭台铭。调节支持向量机分类器的输出。IEEE神经网络汇刊，16（1），1999年9月。 [35] P.Laskov、C.Schafer和I.Kotenko。基于四分之一球面支持向量机的未标记数据入侵检测。《入侵检测、恶意软件和漏洞评估（DIMVA）程序》，多特蒙德，2004年。 [36] L.M.Manevitz和M.Yousef。用于文档分类的一类SVM。机器学习研究杂志，2:139-1542001·Zbl 1002.68597号 [37] J.默瑟。正负型函数及其与积分方程理论的联系。《伦敦皇家学会学报》，209（A），1909年·JFM 40.0408.02号文件 [38] J.蒙克雷斯。拓扑结构。Prentice Hall，第2版，1999年。 [39] M.Nandan、P.Khargonekar和S.S.Talathi。使用近似极值点的快速SVM训练。机器学习研究杂志，15:59-982014·Zbl 1317.68177号 [40] A.内米洛夫斯基。现代凸优化讲座（C.O.R.E.现代凸优化暑期学校），2005年。统一资源定位地址http://www2.isye.gatech.edu/｛｝涅米罗夫斯/。 [41] C.O’Rielly、A.Gluhak、M.A.Imran和S.Rajasegarar。非平稳环境下无线传感器网络中的异常检测。IEEE通信调查与教程，PP（99）：1-202014。 [42] G.Pang、C.Shen、L.Cao和Hengel A.V.《异常检测的深度学习：回顾》，2020年。统一资源定位地址https://arxiv.org/abs/2007.02500。 [43] I.Pillai、G.Fumera和F.Roli。带有拒绝选项的多标签分类。模式识别，46:2256-22662013。 [44] S.Rajasegarar、C.Leckie和M.Palaniswami。无线传感器网络中的异常检测。IEEE无线通信杂志，15（4）：34-402008。 [45] L.Ruff、J.R Kauffmann、R.A.Vandermeulen、G.Montavon、W.Samek、M.Kloft、T.G.Dietterich和K.R.Muller。2020年深度和浅层异常探测的统一审查。统一资源定位地址https://arxiv.org/abs/2009.11732。 [46] B.Sch¨olkopf和A.J.Smola。新的支持向量算法。技术报告NeuroCOLT2技术报告系列，NC2-TR-1998-031，英国伦敦大学皇家霍洛韦学院，1998年11月。 [47] B.Sch¨olkopf和A.J.Smola。使用内核学习：支持向量机、正则化、优化及其他。麻省理工学院出版社，马萨诸塞州剑桥，2001年。 [48] B.Sch¨olkopf和A.J.Smola。用内核学习。麻省理工学院出版社，2002年。 [49] B.Sch–olkopf、J.C.Platt、J.C.Shawe-Taylor、A.J.Smola和R.C.Williamson。估计高维分布的支持度。神经计算，13（7）：1443-14712001·Zbl 1009.62029号 [50] J.Shawe-Taylor和N.Cristianini。模式分析的核心方法。剑桥大学出版社，2004年。 [51] A.希尔顿。SVMHeavy:SVM，机器学习和优化库。https://github。com/apshsh/SVMHeavy，2001-2010年。 [52] A.Shilton和M.Palaniswami。支持向量机的统一方法。B.Verma和M.Blumenstein主编，《模式识别技术与应用：最新进展》，第299-324页。IGI全球出版社，好时，2008年。 [53] A.Shilton、M.Palaniswami、D.Ralph和A.C.Tsoi。支持向量机的增量训练。IEEE神经网络汇刊，16（1）：114-1312005年1月。 [54] A.Shilton、D.T.H.Lai和M.Palaniswami。圆锥分割支持向量机-一种用于多类分类的目标空间方法。在2012年国际神经网络联合会议（IJCNN2012）中，第1-8页，2012年6月。 [55] A.Shilton、S.Rajasegarar和M.Palaniswami。大规模无线传感器网络的多类分类和异常检测相结合。IEEE第八届智能传感器、传感器网络和信息处理国际会议（ISSNIP）论文集，第491-496页，2013年。 [56] A.Shilton、S.Rajasegarar、C.Leckie和M.Palaniswami。DP1SVM：物联网环境下的动态平面单类支持向量机。2015年国际物联网最新进展会议（RIoT），第1-6页，2015年4月。 [57] I.Steinwart和A.Christman。支持向量机。施普林格，2008年。38 ·Zbl 1203.68171号 [58] J.A.K.Suykens、T.Van Gestel、J.De Brabanter、B.De Moor和J.Vandewalle。最小二乘支持向量机。世界科学出版社，新泽西州，2002年·Zbl 1017.93004号 [59] B.Taskar、C.Guestrin和D.Koller。最大边际马尔可夫网络。《神经信息处理系统的进展》，第25-32页，2004年。 [60] D.M.J.Tax和R.P.W.Duin。支持向量数据描述。机器学习，54（1）：45-662004·Zbl 1078.68728号 [61] V.Vapnik。统计学习理论。Springer-Verlag，纽约，1995年·Zbl 0833.62008号 [62] D.Wang、D.S.Yeung和E.C.Tsang。结构化的一级分类。IEEE系统、人与控制论汇刊——B部分：控制论，36（6）：1283-12952006年12月。 [63] J.H.沃德。分层分组以优化目标函数。《美国统计协会杂志》，58（301）：236-2441963年。 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。