Avaliação, Seleção de Modelos e Detecção Não Supervisionada de Outliers em Subespaços de Dados

• Processo: 17/04161-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de setembro de 2017
• Data de Término da vigência: 31 de agosto de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: José Fernando Rodrigues Júnior
• Beneficiário: Henrique Oliveira Marques
• Supervisor: Joerg Sander
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Alberta, Canadá
• Vinculado à bolsa: 15/06019-0 - Avaliação, seleção de modelos e detecção não supervisionada de outliers em espaços e subespaços de dados, BP.DR
• Assunto(s): Mineração de dados
• Palavra(s)-Chave do Pesquisador: Detecção de Outliers | Mineração de Dados | Subespaços dos dados | Mineração de dados

Resumo

Embora exista uma crescente literatura que aborda o problema de detecção não supervisionada de outliers, a avaliação não supervisionada dos resultados em detecção de outliers tem sido notadamente negligenciada. Em contraste com a área de agrupamento de dados, em que tais índices para avaliação interna e validação de soluções de agrupamento foram concebidos e se mostrado muito útil, em detecção de outliers apenas recentemente um índice para a avaliação interna de resultados top-n (binários) de detecção de outliers, chamado IREOS, foi originalmente proposto pelo candidato durante seu mestrado. O índice, baseado na separabilidade dada por um classificador de margem máxima (e.g. SVM e KLR), pode avaliar e comparar diferentes rotulações candidatas baseando-se unicamente nos dados e nas próprias soluções a serem avaliadas. E, consequentemente, permite a seleção das soluções mais promissoras correspondentes aos modelos mais adequados (algoritmos, parâmetros). Neste projeto pretende-se diminuir este gap existente na área de avaliação interna de resultados em detecção de outliers em subespaços. Além disso, pretende-se também usar alguns dos princípios usados pelo IREOS para dar origem a um novo algoritmo de detecção não supervisionada de outliers em subespaços.

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)

MARQUES, HENRIQUE O.; CAMPELLO, RICARDO J. G. B.; SANDER, JORG; ZIMEK, ARTHUR. Internal Evaluation of Unsupervised Outlier Detection. ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, v. 14, n. 4, JUL 2020. (17/04161-0, 15/06019-0)