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.