Détection de nouveautés en utilisant un nouveau score de détection de "groupes-outliers"
نویسندگان
چکیده
Résumé. Dans cet article, nous introduisons une nouvelle mesure pour qualifier “l’outlier-ness“ de chaque groupe/cluster. Cette mesure, nommée GOF, est intégrée et estimée dans un processus d’apprentissage non supervisé en utilisant les cartes topologiques. Ceci permet d’apprendre la structure des données tout en fournissant un nouveau score (GOF). Ce paramètre est basé sur la densité et quantifie ainsi la particularité de chaque groupe (cluster) : plus la valeur est grande, plus le groupe est susceptible d’être un ”groupe-outlier“. GOF est utilisé par la suite comme classifieur pour le problème de détection de nouveautés.
منابع مشابه
Détection visuelle d'anomalies de conception
Résumé. De nos jours, les logiciels doivent être flexibles pour pouvoir accommoder d’éventuels changements. Les anomalies de conception introduites durant l’évolution du logiciel causent souvent des difficultés de maintenance. Cependant, la détection d’anomalies de conception n’est pas triviale. La détection manuelle est coûteuse en temps et en ressources, alors que la détection automatique gén...
متن کاملUn nouveau système immunitaire artificiel pour l'apprentissage non supervisé
Dans le but de résoudre des problèmes complexes du monde réel dans des domaines différents tels que l'optimisation, la détection d'anomalies ou la robotique, des heuristiques inspirées de mécanismes naturels ont été exploitées avec succès. Plusieurs chercheurs se sont intéressés aux systèmes immunitaires biologiques (SIB) comme un nouveau paradigme de l’intelligence artificielle et ont développ...
متن کاملDétection de données aberrantes à partir de motifs fréquents sans énumération exhaustive
Résumé. La détection de données aberrantes (outliers) consiste à détecter des observations anormales au sein des données. Durant la dernière décennie, des méthodes de détection d’outliers utilisant les motifs fréquents ont été proposées. Elles extraient dans une première phase tous les motifs fréquents, puis assignent à chaque transaction un score mesurant son degré d’aberration (en fonction du...
متن کاملA Method for Detecting Artificial Objects in Natural Environments
Résumé Dans cet article nous allons présenter une méthode pour la détection automatique d’objets artificiels dans des images numériques représentant des milieux naturels. Cette méthode est basée sur la distribution statistique des motifs de texture dans l’image. Cette distribution est calculée en utilisant la loi de Zipf. L’image est divisée en imagettes et la distribution de Zipf est calculée ...
متن کاملService de Détection de Pannes avec SNMP
Failure detection is an important issue of distributed programming. In a computer network, distinguishing a failed node from a slow one is difficult. Yet the difference is important for distributed applications: in the first case a reconfiguration is needed, in the second case, waiting is sufficient. Implementing efficient failure detection is difficult. Because of this, many applications use s...
متن کامل