دانلود مقاله ISI انگلیسی شماره 76880
عنوان فارسی مقاله

تشخیص ناهنجاری در مقیاس بزرگ و ابعاد بالا با استفاده از SVM یک-کلاس یک خطی با یادگیری عمیق

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
76880 2016 14 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Pattern Recognition, Volume 58, October 2016, Pages 121–134

کلمات کلیدی
تشخیص ناهنجاری؛ تشخیص نقاط دورافتاده - داده ابعاد بالا؛ خالص اعتقاد عمیق؛ یادگیری عمیق؛ SVM-یک کلاس؛ استخراج ویژگی
پیش نمایش مقاله
پیش نمایش مقاله تشخیص ناهنجاری در مقیاس بزرگ و ابعاد بالا با استفاده از SVM یک-کلاس یک خطی با یادگیری عمیق

چکیده انگلیسی

High-dimensional problem domains pose significant challenges for anomaly detection. The presence of irrelevant features can conceal the presence of anomalies. This problem, known as the ‘curse of dimensionality’, is an obstacle for many anomaly detection techniques. Building a robust anomaly detection model for use in high-dimensional spaces requires the combination of an unsupervised feature extractor and an anomaly detector. While one-class support vector machines are effective at producing decision surfaces from well-behaved feature vectors, they can be inefficient at modelling the variation in large, high-dimensional datasets. Architectures such as deep belief networks (DBNs) are a promising technique for learning robust features. We present a hybrid model where an unsupervised DBN is trained to extract generic underlying features, and a one-class SVM is trained from the features learned by the DBN. Since a linear kernel can be substituted for nonlinear ones in our hybrid model without loss of accuracy, our model is scalable and computationally efficient. The experimental results show that our proposed model yields comparable anomaly detection performance with a deep autoencoder, while reducing its training and testing time by a factor of 3 and 1000, respectively.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.