Parametrik olmayan yoğunluk tahmincileri ile ardışık anomali tespiti

Simple item page
buir.contributor.authorKerpiççi, Mine
buir.contributor.authorKozat, Süleyman S.
dc.citation.epage4en_US
dc.citation.spage1en_US
dc.contributor.authorKerpiççi, Mineen_US
dc.contributor.authorKozat, Süleyman S.en_US
dc.contributor.authorÖzkan, H.en_US
dc.coverage.spatialSivas, Turkeyen_US
dc.date.accessioned2020-02-03T06:55:23Z
dc.date.available2020-02-03T06:55:23Z
dc.date.issued2019-04
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.descriptionDate of Conference: 24-26 April 2019en_US
dc.descriptionConference name: 27th Signal Processing and Communications Applications Conference (SIU), 2019en_US
dc.description.abstractBu bildiride, gözlemlenen verideki anomalileri, gözetimsiz bir çerçevede, iki aşamalı yöntemle bulmak için anomali tespit algoritması tanıtılmıştır. İlk aşamada, ardışık olarak gözlemlenen verinin yoğunluğu çekirdek temelli özgün bir yöntemle tahmin edilmektedir. Bu amaçla, gözlem alanı bölünmekte ve her bölgede parametrik olmayan Çekirdek Yoğunluk Tahmincisi (ÇYT) veri dağılımına dair hiçbir varsayımda bulunulmadan kullanılmaktadır. Sonra, yoğunluk tahmini eşik değeriyle karşılaştırılarak verinin anomali olup olmadığına karar verilmektedir. Ayrıca, çekirdek temelli yöntemlerdeki bant genişliği seçimi problemi de verimli bir şekilde çözülmektedir. Bu amaçla, her bir bölgeye çekirdek bant genişliği seti atanmakta ve her tahmincinin ait olduğu bölgeye göre en iyi bant genişliği seçeneğine zamanla ulaşması sağlanmaktadır. Sayısal örneklerde, tanıtılan algoritmanın literatürde sıklıkla kullanılan anomali tespit metodlarına göre yüksek performans artışı elde ettiği gösterilmektedir.en_US
dc.description.abstractIn this paper, we introduce an online anomaly detection algorithm to detect the anomalies in the observed data with two step approach in an unsupervised framework. In the first step, we estimate the density of the sequentially observed data with a novel kernel based approach. To this end, we partition the observation space and use nonparametric Kernel Density Estimator (KDE) in each region on a partition such that we do not assume any underlying distribution for the data. Then, we compare the estimated density of the data with a threshold to decide whether it is anomalous. We also solve the bandwidth selection problem in kernel based approaches in an efficient way. For this, we assign a set of kernel bandwidth values to each region, and make each estimator to converge to the best bandwidth choice for the corresponding subspaces in time. In our experiments, we show that our algorithm significantly outperforms the anomaly detection algorithms, which are highly used in the literature.
dc.description.provenanceSubmitted by Evrim Ergin (eergin@bilkent.edu.tr) on 2020-02-03T06:55:23Z No. of bitstreams: 1 Sequential_anomaly_detection_using_nonparametric_density_estimators_Parametrik_olmayan_yoǧunluk_tahmincileri_ile_ardişik_anomali_tespiti.pdf: 749865 bytes, checksum: 3c02004e24cf6b4664615803771953f2 (MD5)en
dc.description.provenanceMade available in DSpace on 2020-02-03T06:55:23Z (GMT). No. of bitstreams: 1 Sequential_anomaly_detection_using_nonparametric_density_estimators_Parametrik_olmayan_yoǧunluk_tahmincileri_ile_ardişik_anomali_tespiti.pdf: 749865 bytes, checksum: 3c02004e24cf6b4664615803771953f2 (MD5) Previous issue date: 2019-04en
dc.identifier.doi10.1109/SIU.2019.8806293en_US
dc.identifier.urihttp://hdl.handle.net/11693/52976
dc.language.isoTurkishen_US
dc.publisherIEEEen_US
dc.relation.isversionofhttps://doi.org/10.1109/SIU.2019.8806293en_US
dc.source.title27th Signal Processing and Communications Applications Conference (SIU), 2019en_US
dc.subjectUnsupervised sequential anomaly detectionen_US
dc.subjectKernel density estimationen_US
dc.subjectBandwidth selectionen_US
dc.titleParametrik olmayan yoğunluk tahmincileri ile ardışık anomali tespitien_US
dc.title.alternativeSequential anomaly detection using nonparametric density estimatorsen_US
dc.typeConference Paperen_US

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Sequential_anomaly_detection_using_nonparametric_density_estimators_Parametrik_olmayan_yoǧunluk_tahmincileri_ile_ardişik_anomali_tespiti.pdf
Size:
718.05 KB
Format:
Adobe Portable Document Format
Description:
Download

Collections

Scholarly Publications - Electrical and Electronics Engineering