基于动态聚类与轨迹分析的行为漂移无监督检测
机器学习
2023-12-15 v2
摘要
人类行为的实时监测，尤其是在电子健康(e-Health)应用中，在过去几十年中一直是一个活跃的研究领域。在基于物联网(IoT)的感知环境之上，人们提出了异常检测算法以实现异常的早发现。渐进式变化过程，通常被称为漂移异常(drift anomalies)，在文献中受到的关注要少得多，因为它们比突发临时变化（点异常）代表了更具挑战性的场景。在本文中，我们首次提出了一种名为 DynAmo 的完全无监督实时漂移检测算法，它能够在漂移期发生时对其进行识别。DynAmo 包含一个用于捕捉被监测行为整体趋势的动态聚类组件，以及一个从最稠密簇质心提取特征的轨迹生成组件。最后，我们在滑动参考窗口与检测窗口上应用散度检验集成来检测行为序列中的漂移期。
引用
@article{arxiv.2302.06228,
title = {Unsupervised Detection of Behavioural Drifts with Dynamic Clustering and Trajectory Analysis},
author = {Bardh Prenkaj and Paola Velardi},
journal= {arXiv preprint arXiv:2302.06228},
year = {2023}
}
备注
Accepted to IEEE TKDE