利用偏微分方程进行流数据异常检测与分类
机器学习
2018-04-17 v2 计算机视觉与模式识别
数据库
摘要
非支配排序（也称为 Pareto 深度分析 (PDA)）广泛用于多目标优化，最近在多准则异常检测中发现了重要应用。最近，人们发现了非支配排序的偏微分方程 (PDE) 连续统极限，从而产生了一种非常快速的近似排序算法，称为基于 PDE 的排序。我们在本文中提出了一种用于异常检测的快速实时流式 PDA 算法版本，该版本利用了 PDE 连续统极限的计算优势。此外，我们推导了在其非支配层内对点进行排序的新 PDE 连续统极限，并展示了如何利用这些新 PDE 根据哪个准则被更显著地违反来对异常进行分类。我们还证明了基于 PDE 的排序的统计收敛率，并展示了使用合成数据和真实数据进行的数值实验结果。
引用
@article{arxiv.1608.04348,
title = {Anomaly detection and classification for streaming data using PDEs},
author = {Bilal Abbasi and Jeff Calder and Adam M. Oberman},
journal= {arXiv preprint arXiv:1608.04348},
year = {2018}
}