A review of novelty detection

Pimentel, Marco A. F.; Clifton, David A.; Clifton, Lei; Tarassenko, Lionel

doi:10.1016/j.sigpro.2013.12.026

Cited by 1,273 publications

(748 citation statements)

References 204 publications

Supporting

Mentioning

738

Contrasting

Unclassified

Order By: Relevance

“…We follow the same approach as before by exploiting a generic graph structure defining the (regularized) matrixS that expresses geometric information as in (9). We would like to calculate the minimum bounding hypershere that encloses (most of) the training data representations in F, where a is the hypershere center and R the minimum radius.…”

Section: Graph Embedded Svddmentioning

confidence: 99%

“…where λ i are the Lagrange multipliers andS is defined in (9). By using the Woodbury identity, we have:S…”

Section: Appendix B Graph Embedded Svdd Solutionmentioning

confidence: 99%

“…Related OCC applications include hyperspectral image classification [3], video summarization [6,7], image segmentation [8]. Other OCC use case scenarios include applications when only one class is well sampled and must be distinguished from every other possibility, e.g., medical diagnostic problems, faults and failure detection, video surveillance and mobile fraud detection [9].…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Graph Embedded One-Class Classifiers for media data classification

Mygdalis

Iosifidis

Tefas

et al. 2016

Pattern Recognition

View full text Add to dashboard Cite

show abstract

Section: Graph Embedded Svddmentioning

confidence: 99%

“…where λ i are the Lagrange multipliers andS is defined in (9). By using the Woodbury identity, we have:S…”

Section: Appendix B Graph Embedded Svdd Solutionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Graph Embedded One-Class Classifiers for media data classification

Mygdalis

Iosifidis

Tefas

et al. 2016

Pattern Recognition

View full text Add to dashboard Cite

show abstract

“…Several surveys have been published detailing the different methods developed for anomaly detection [2][3][4][5]. For instance, Garcia-Teodoro et al [3] describe anomaly detection as "one-class classification" where the training data are used to build a model of "normal" data.…”

Section: Introduction mentioning

confidence: 99%

Detecting Anomalies in Irregular Data Using K-means Clustered Signal Dictionary

Reyes¹,

Chandra²,

Le³

et al. 2016

CTA

View full text Add to dashboard Cite

Abstract:The critical nature of satellite network traffic provides a challenging environment to detect intrusions. The intrusion detection method presented aims to raise an alert whenever satellite network signals begin to exhibit anomalous patterns determined by Euclidian distance metric. In line with anomaly-based intrusion detection systems, the method presented relies heavily on building a model of "normal" through the creation of a signal dictionary using windowing and k-means clustering. The results of three signals from our case study are discussed to highlight the benefits and drawbacks of the method presented. Our preliminary results demonstrate that the clustering technique used has great potential for intrusion detection for non-periodic satellite network signals.

show abstract

“…Em seguida, determina-se a confiabilidade da predição através de alguma técnica que busque inferir o quão semelhante o sinal de sonar analisado é em relação à classe escolhida. Esta segunda etapa é conhecida na literatura como detecção de novidades [3], sendo o foco deste artigo.A estrutura do artigo é detalhada a seguir. A Seção II apresenta a base de dados utilizada, contextualizado o problema.…”

unclassified

Detecção de novidades aplicada à estimação de confiabilidade de classificação de sinais de sonar passivo

Rocha¹,

Filho²

2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-Técnicas de aprendizagem de máquina são atrativas para a tarefa de classificação de contatos a partir de sinais de sonar passivo. A obtenção de bases de dados completas, porém, é uma tarefa difícil, senão impossível, tendo em vista a natureza sensível de tal aplicação. Através de métodos desenvolvidos na subárea de detecção de novidades, buscamos viabilizar a geração de coeficientes indicadores da confiabilidade de sistemas de classificação automática de contatos. Esta etapa, realizada após a classificação, tem como objetivo evitar que dados atípicos possam ser classificados de forma similar àqueles típicos por sistemas discriminativos. Avaliamos o uso de tais técnicas através de sinais obtidos em ensaios controlados realizados em raia acústica e que envolveram 8 classes distintas de embarcações. Os resultados exploratórios avaliando a capacidade de diferentes modelos em distinguir sinais de classes conhecidas e de classes desconhecidas são apresentados, assim como são realizadas comparações quanto à complexidade computacional dos algoritmos. Verificou-se que para todas as 8 classes de dados, é possível obter detectores com, em média, um valor de área sob a curva ROC superior à 0, 95.Keywords-Sonar passivo, detecção de novidades, análise de confiabilidade, sistemas de suporte à decisão. I. IntroduçãoA utilização de técnicas de aprendizagem de máquina para a classificação de contatos em sistemas de sonar passivo é de grande importância prática. Ao automatizar esta tarefa, é possível reduzir a dependência do sistema quanto ao operador de sonar e, portanto, reduzir possíveis erros humanos. Infelizmente, não é concebível que haja disponibilidade de dados contemplando todas as classes de embarcações para o desenvolvimento de sistemas de classificação automática de contatos. Além disso, é possível que a característica da embarcação que leva à definição de sua classe não seja identificável através dos sinais de sonar disponíveis. Claramente, o ideal é que, além de fornecer uma classificação deste sinal, uma estimativa da confiabilidade daquela predição seja fornecida ao operador de sonar, que pode dedicar um tratamento diferenciado caso o sistema indique um alto nível de incerteza a ela associada.Uma forma de se determinar a confiança de uma predição é determinar a distribuição de probabilidade associada a geração dos sinais de sonar para as classes conhecidas. As predições de sinais improváveis, ou mais precisamente, aqueles que ocorrem em regiões de baixa densidade de probabilidade, devem ser identificadas como de baixa confiança. Classificadores generativos buscam estimar diretamente estas distribuições de probabilidade para cada classe, porém esta tarefa é mais difícil do que se determinar um classificador discriminativo que possa simplesmente separar as classes. As evidências para tal questão são discutidas em [1], onde foi verificado que o erro assintótico, isto é, o erro atingido quando se tem uma quantidade de dados para treino tendendo ao infinito, para o classificador discriminativo, no caso uma regres...

show abstract

A review of novelty detection

Cited by 1,273 publications

References 204 publications

Graph Embedded One-Class Classifiers for media data classification

Graph Embedded One-Class Classifiers for media data classification

Detecting Anomalies in Irregular Data Using K-means Clustered Signal Dictionary

Detecção de novidades aplicada à estimação de confiabilidade de classificação de sinais de sonar passivo

Contact Info

Product

Resources

About