×
陈久生;张晓宇;郭凯

一种基于核集的大矢量角区域和边缘新颖性检测方法。 （英语） 兹比尔1400.68168

数学。问题。工程师。 2016年，文章ID 1658758，12 p.（2016）.
摘要：提出了一种基于不平衡数据的大矢量角区域和裕度（LARM）新颖性检测方法。其核心思想是在特征空间中构造最大的矢量角区域来分离正常训练模式；同时，最大化该最优矢量角区域曲面与异常训练模式之间的矢量角余量。为了提高LARM的泛化性能，通过最大化矢量角均值和最小化矢量角方差来优化矢量角分布，很好地分离了正常和异常示例。然而，二次规划（QP）求解器的固有计算需要（O（n^3））训练时间和至少（O（n ^2））空间，这对于大规模问题来说可能是无法计算的。利用（1+varepsilon）和（1-varepsilen）近似算法，提出了基于核集的LARM算法，用于快速训练LARM问题。基于非平衡数据集的实验结果验证了该方法在新颖性检测中的良好效率。

MSC公司：

68T05年 人工智能中的学习和自适应系统
68瓦25 近似算法

软件：

伦敦银行支持向量机;UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{J.Chen}等人，数学。问题。Eng.2016，文章ID 1658758，12 p.（2016；Zbl 1400.68168）
全文： 内政部

参考文献：

[1] Perdisci，R。；顾，G。；Lee，W.，使用一类SVM分类器集成来加强基于有效载荷的异常检测系统，第六届数据挖掘国际会议论文集（ICDM’06）·doi:10.1109/icdm.2006.165
[2] 海顿，P。；Utete，S。；金·D·。；金·S。；Anuzis，P。；Tarassenko，L.，喷气发动机健康监测的静态和动态新颖性检测方法，皇家学会哲学学报A：数学、物理和工程科学，365，1851，493-514，（2007）·doi:10.1098/rsta.2006.1931
[3] 克利夫顿，L。；克利夫顿，D.A。；Watkinson，P.J。；Tarassenko，L.，使用一类支持向量机识别患者生命体征数据恶化，计算机科学和信息系统联合会议论文集（FedCSIS’11）
[4] Smart，E。；Brown，D.，《检测飞机飞行数据异常并对其对个别飞行影响进行排名的两阶段方法》，IEEE智能运输系统交易，13，3，1253-1265，（2012）·doi:10.1109/tits.2012.2188391
[5] 郭若欣。；Guo，K。；Dong，J.K.，基于自适应核主成分分析算法的飞机着陆阶段故障诊断，机械工程师学会学报第1部分：系统与控制工程杂志，229，10，917-926，（2015）·doi:10.1177/0959651815601276
[6] Schölkopf，B。；威廉姆森，R。；斯莫拉，A。；肖-泰勒，J。；Platt，J.，新颖性检测的支持向量方法，神经信息处理系统进展NIPS 1999，582-588，（1999），麻省理工学院出版社
[7] 税务，D.M.J。；Duin，R.P.W.，支持向量数据描述，机器学习，54，1，45-66，（2004）·Zbl 1078.68728号 ·doi:10.1023/b:mach.0000008084.60811.49
[8] Manevitz，L.M。；Yousef，M.，用于文档分类的一类支持向量机，机器学习研究杂志，2，2，139-154，（2002）·Zbl 1002.68597号
[9] 吴，M。；Ye，J.，使用带离群值的训练数据进行新颖性检测的小范围和大幅度方法，IEEE模式分析和机器智能汇刊，31，11，2088-2092，（2009）·doi:10.10109/TPAMI.2009.24
[10] Krawczyk，B。；Woźniak，M.，用于挖掘静态数据流的增量加权单类分类器，计算科学杂志，9，19-25，（2015）·doi:10.1016/j.jocs.2015.04.024
[11] Krawczyk，B。；Woźniak，M.，具有概念漂移的数据流增量学习和遗忘的一类分类器，软计算，19，12，3387-3400，（2015）·doi:10.1007/s00500-014-1492-5
[12] Tsang，I.W。；郭敬通（Kwok，J.T.）。；Cheung，P.-M.，核心向量机：超大数据集上的快速SVM训练，机器学习研究杂志，6，363-392，（2005）·Zbl 1222.68320号
[13] Tsang，I.W.H。；郭勇毅（Kwok，J.T.Y.）。；Zurada，J.A.，广义核心向量机，IEEE神经网络汇刊，17，5，1126-1140，（2006）·doi:10.1109/tnn.2006.878123
[14] He，H。；Garcia，E.A.，从不平衡数据中学习，IEEE知识与数据工程汇刊，21，9，1263-1284，（2009）·doi:10.1109/TKDE.2008.239
[15] 胡，W。；钟，F.-L。；Wang，S.，使用核心向量机的最大向量角裕度分类器及其在大型数据集上的快速训练，神经网络，27，3，60-73，（2012）·Zbl 1250.68225号 ·doi:10.1016/j.neunet.2011.10.005
[16] Pimentel，M.A.F。；克利夫顿，D.A。；克利夫顿，L。；Tarassenko，L.，新颖性检测综述，信号处理，99215-249，（2014）·doi:10.1016/j.sigpro.2013.12.026
[17] 高，W。；周志宏，关于提升边际解释的质疑，人工智能，203，1-18，（2013）·兹比尔1329.68215 ·doi:10.1016/j.artint.2013.07.002
[18] 张，T。；Zhou，Z.-H.，大利润分配机，第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集（KDD'14）·doi:10.1145/2623330.2623710
[19] Schölkopf，B。；Smola，A.J。；威廉姆森共和国。；Bartlett，P.L.，新支持向量算法，神经计算，12，5，1207-1245，（2000）·doi:10.1162/089976600300015565
[20] Chang，C.-C。；Lin，C.-J.，培训ν-支持向量分类器：理论与算法，神经计算，13，9，2119-2147，（2001）·兹比尔0993.68080 ·doi:10.1162/089976601750399335
[21] Chang，C.-C。；Lin，C.-J.，LIBSVM：支持向量机库，ACM智能系统与技术汇刊，2，3，第27条，（2011）·数字对象标识代码：10.1145/1961189.1961199
[22] 普拉特，J.C。；Schölkopf，B。；伯格斯，C。；Smola，A.，《使用序列最小优化快速训练支持向量机》，《内核方法的进展——支持向量学习》，185-208，（1999），美国马萨诸塞州剑桥市：麻省理工学院出版社，美国马萨诸塞州坎布里奇
[23] Smola，A。；Schölkopf，B.，机器学习的稀疏贪婪矩阵近似，第17届机器学习国际会议论文集（ICML'00）
[24] 风机，R.E。；Lin，C.J.，LIBSVM数据：分类、回归和多标签，（2011）
[25] 亚松森，A。；Newman，D.J.，UCI机器学习知识库，（2007），加州大学欧文分校信息与计算机科学学院
[26] 库巴特，M。；Matwin，S.，《解决不平衡训练集的诅咒：单边选择》，《第十四届机器学习国际会议论文集》，摩根·考夫曼
[27] Wu，G。；Chang，E.Y.，《不平衡数据集学习的类边界对齐》，机器学习国际会议论文集《从不平衡数据集中进行车间学习》（ICML'03）
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。