An Unsupervised Approach for Combining Scores of Outlier Detection Techniques, Based on Similarity Measures

XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning

“…As mentioned above, any unsupervised outlier detection method could be used as a base outlier scoring function for feature transformations. However, heterogeneous base functions tend to yield better results, as identical outputs from base functions do not greatly contribute to the ensemble [1], [12]. The diversity among base functions encourages distinct data characteristics to be learned, leading to an improved generalization ability of the ensemble.…”

“…EXPERIMENT DESIGN Two comparison analyses are conducted with various baselines included. ROC [1], [10], [11] and Precision@n (P@N) [12] are widely used for evaluation in outlier detection; both are included herein. The final scores are calculated by averaging the results of 30 independent trials.…”

Efficacy Improvement of Anomaly Detection by Using Intelligence Sharing Scheme

“…In the last step, normalization without assuming a concrete probability distribution is discussed. Instead, the sample means can be normalized to zero and residuals to one by subtracting the sample mean µ and dividing by sample standard deviation σ [35].…”

Detectando aplicaciones maliciosas en Smartphone con sistema Android a través del uso de una aplicación

“…Entre las técnicas utilizadas se encuentran: 1) Hooking, que se basa en la inyección de código, para la detección y tratamiento de aplicaciones maliciosas (Tinajero-Manjarez et al, 2017); 2) Máquinas de Soporte Vectorial (Support Vector Machines, por sus siglas en inglés SVM), utilizadas para clasificar aplicaciones desconocidas como maliciosas o benignas y en la detección de actividad de los usuarios, mencionadas en (Kaghyan & Sarukhanyan, 2013) y (Spreitzenbarth et al, 2015); 3) Redes Neuronales para localización en interiores y exteriores, aplicado a tráfico y demografía, descritas en (Su et al, 2014), (Huang et al, 2014), (Paul & George, 2015), (Mugagga & Winberg, 2015), (Mugagga & Winberg, 2015), (Carlos E. Galván-Tejada et al, 2015), y (Dou et al, 2015); 4) K-Means y Local Outlier Factor (por sus siglas en inglés LOF) para detección de anomalías, utilizado en dominios como: medicina, detección de intrusos y fraude, abordadas en (Karim et al, 2014) y (Pasillas D. & Ratté, 2016); 5) Árboles de Decisión, Redes Bayesianas y Regresión, en cómputo forense y para la localización y detección de actividad utilizado en la detección de acoso escolar o bullying, analizadas en (Moço & Lobato-Correira, 2014) y (Garcia-Ceja et al, 2014), y; 6) Big Data y Autómatas Celulares para localización en interiores/exteriores y demografía, cubierta en (Tosi et al, 2014), (Asri et al, 2015), y análisis de comportamiento humano en entornos sociales (Human Social Behavior, por sus siglas en inglés HSB), estudiado en (More & Lingam, 2015) y (Dou et al, 2015).…”

“…Por otro lado, los tipos de dato más utilizados para el análisis de comportamiento de un Smartphone son: 1) datos crudos, utilizados en (Tuttle et al, 2010), (Su et al, 2014), (Tosi et al, 2014), (Pasillas D. & Ratté, 2016) y (Garcia-Ceja et al, 2014), y; 2) logs de información, como se muestra en (Asri et al, 2015), (Mestry et al, 2015), (More & Lingam, 2015), (Mugagga & Winberg, 2015), (Moço & Lobato-Correira, 2014); mientras que, las principales vulnerabilidades detectadas son: 1) la infección por malware, analizada en (Karim et al, 2014); 2) el acceso o disposición indebida de la información y comportamiento sospechoso, cubiertos en (Pasillas D. & Ratté, 2016) y (Haque et al, 2013), y; 3) la aplicación de código malicioso, estudiado en (Chen et al, 2015).…”