Busca avançada
Ano de início
Entree

Detecção de anomalia utilizando um algoritmo de aprendizado incremental baseado em floresta de caminhos mínimos

Processo: 15/24652-2
Linha de fomento:Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
Vigência (Início): 01 de fevereiro de 2016
Vigência (Término): 31 de maio de 2016
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Moacir Antonelli Ponti
Beneficiário:Mateus Riva
Supervisor no Exterior: Teofilo Emidio de Campos
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Local de pesquisa : University of Surrey, Inglaterra  
Vinculado à bolsa:14/04889-5 - Aprendizado supervisionado incremental em florestas de caminhos ótimos, BP.IC
Assunto(s):Teoria dos grafos   Reconhecimento de padrões

Resumo

Detecção de anomalia é o problema de encontrar padrões com um comportamento não esperado. Técnicas baseadas em classificação são usualmente boas escolhas nesse cenário, mas requerem dados rotulados suficientes tanto da classe normal quanto anômala. Nesse projeto focaremos em um método que modela relações entre exemplos no espaço de características, utilizando um modelo de floresta de caminhos ótimos (OPF). Esse método interpreta os exemplos (observações) como vértices de um grafo. Propomos uma investigação de detecção de anomalia baseado nas árvores de caminhos ótimos formadas pelo algoritmo OPF, explorando as propriedades desse modelo que não assume uma distribuição fixa para as classes, e permite que haja um certo grau de sobreposição entre classes.O projeto baseia-se na idéia de capturar perturbações nas árvores após a inclusão de um novo exemplo, detectando-o como anomalia se a árvore na qual o exemplo foi ligado sofrer mudanças significativas em sua distribuição.

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
PONTI, MOACIR; KITTLER, JOSEF; RIVA, MATEUS; DE CAMPOS, TEOFILO; ZOR, CEMRE. A decision cognizant Kullback-Leibler divergence. PATTERN RECOGNITION, v. 61, n. SI, p. 470-478, JAN 2017. Citações Web of Science: 9.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.