Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Chaotic Feature Selection and Reconstruction in Time Series Prediction Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Anomaly Detection Using Correctness Matching Through a Neighborhood Rough Set

verfasst von : Pey Yun Goh, Shing Chiang Tan, Wooi Ping Cheah

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Abnormal information patterns are signals retrieved from a data source that could contain erroneous or reveal faulty behavior. Despite which signal it is, this abnormal information could affect the distribution of a real data. An anomaly detection method, i.e. Neighborhood Rough Set with Correctness Matching (NRSCM) is presented in this paper to identify abnormal information (outliers). Two real-life data sets, one mixed data and one categorical data, are used to demonstrate the performance of NRSCM. The experiments positively show good performance of NRSCM in detecting anomaly.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Fast Agglomerative Information Bottleneck Based Trajectory Clustering
Nächstes Kapitel Learning Class-Informed Semantic Similarity
Literatur
1.
Chen, D., Lu, C.-T., Kou, Y., Chen, F.: On detecting spatial outliers. GeoInformatica 12(4), 455–475 (2008)CrossRef
2.
Goldstein, M., Dengel, A.: Histogram-based outlier score (HBOS): a fast unsupervised anomaly detection algorithm. In: 35th German Conference on AI (KI-2012), pp. 59–63 (2012)
3.
Kontaki, M., Gounaris, A., Papadopoulos, A.N., Tsichlas, K., Manolopoulos, Y.: Continuous monitoring of distance-based outliers over data streams. In: IEEE 27th International Conference on Data Engineering (ICDE), pp. 135–146. IEEE, Hannover (2011)
4.
Ye, M., Li, X., Orlowska, M.E.: Projected outlier detection in high-dimensional mixed-attributes data set. Expert Syst. Appl. 36(3), 7104–7113 (2009). Part 2CrossRef
5.
Suri, N.N.R.R., Murty, M.N., Athithan, G.: Detecting outliers in categorical data through rough clustering. Natural Comput. 15, 1–10 (2015)MathSciNet
6.
Hu, Q., Yu, D., Liu, J., Wu, C.: Neighborhood rough set based heterogeneous feature subset selection. Inf. Sci. 178(18), 3577–3594 (2008)MathSciNetCrossRefMATH
7.
8.
Albanese, A., Pal, S.K., Petrosino, A.: Rough sets, kernel set, and spatiotemporal outlier detection. IEEE Trans. Knowl. Data Eng. 26(1), 194–207 (2014)CrossRef
9.
Li, X., Rao, F.: Outlier detection using the information entropy of neighborhood rough sets. J. Inf. Comput. Sci. 9(12), 3339–3350 (2012)
10.
Jiang, F., Sui, Y., Cao, C.: Some issues about outlier detection in rough set theory. Expert Syst. Appl. 36(3), 4680–4687 (2009). Part 1CrossRef
11.
12.
Aggarwal, C.C., Yu, P.S.: Outlier Detection for High Dimensional Data. SIGMOD Rec. 30(2), 37–46 (2001)CrossRef
13.
Hawkins, S., He, H., Williams, G.J., Baxter, R.A.: Outlier detection using replicator neural networks. In: Kambayashi, Y., Winiwarter, W., Arikawa, M. (eds.) DaWaK 2002. LNCS, vol. 2454, pp. 170–180. Springer, Heidelberg (2002)CrossRef
Metadaten
Titel
Anomaly Detection Using Correctness Matching Through a Neighborhood Rough Set
verfasst von
Pey Yun Goh
Shing Chiang Tan
Wooi Ping Cheah
Copyright-Jahr
2016
Buch
Neural Information Processing

Print ISBN: 978-3-319-46674-3

Electronic ISBN: 978-3-319-46675-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46675-0_47