Resumen

La detección de anomalías (AD) tiene como objetivo distinguir los puntos de datos que son inconsistentes con el patrón general de los datos. Recientemente, los métodos de detección de anomalías sin supervisión han despertado una gran atención. Entre estos métodos, la representación de características (FR) desempeña un papel importante, que puede afectar directamente al rendimiento de la detección de anomalías. La representación dispersa (SR) puede considerarse como uno de los métodos de factorización matricial (MF), que es una potente herramienta para la FR. Sin embargo, la RS original tiene algunas limitaciones. Por un lado, sólo aprende las representaciones superficiales de las características, lo que conduce a un pobre rendimiento para la detección de anomalías. Por otro lado, se ignora la información de la estructura geométrica local de los datos. Para abordar estas deficiencias, en este trabajo se propone un enfoque de representación profunda dispersa regularizada por grafos (GRDSR) para la detección no supervisada de anomalías. En GRDSR, se diseña primero un marco de representación profunda extendiendo la MF de una sola capa a una MF multicapa para extraer la estructura jerárquica de los datos originales. A continuación, se introduce un término de regularización de gráficos para capturar la información intrínseca de la estructura geométrica local de los datos originales durante el proceso de FR, haciendo que las características profundas preserven bien la relación de vecindad. A continuación, se añade una restricción de sparsity basada en la norma L1 para mejorar la capacidad discriminante de las características profundas. Por último, se aplica un error de reconstrucción para distinguir las anomalías. Para demostrar la eficacia del enfoque propuesto, realizamos amplios experimentos con diez conjuntos de datos. En comparación con los métodos más avanzados, el enfoque propuesto puede alcanzar el mejor rendimiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:detección de anomalías, datos originales, características profundas, enfoque propuesto, información de los datos, representación de características superficiales, proceso de fr, mf de una sola capa, términos de regularización de gráficos, métodos de detección de anomalías
• Keywords:anomalies detection, original data, deep features, proposed approach, information of data, shallow features representation, process of fr, single layer mf, graph regularization terms, anomalies detection methods