Evolving Fuzzy Set-based and Cloud-based Unsupervised Classifiers for Spam Detection

Soares, Eduardo; Garcia, Cristiano Mesquita; Poucas, Ricardo; Camargo, Heloisa de Arruda; Leite, Daniel

doi:10.1109/tla.2019.8931138

Cited by 6 publications

(5 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Some examples of usability of evolving systems in real applications are the use of TEDA (Typicality and Eccentricity Data Analytics) for the detection of failures in industrial processes [27], and spam detection in e-mail [28]. Another example is the optimization of routing in the MANET (Mobile Ad-hoc Network) and, consequently, reducing energy consumption and increasing the network's useful life and stability using ICA (Imperialist Competitive Algorithm) [29].…”

Section: Background and Related Workmentioning

confidence: 99%

Macro SOStream: An Evolving Algorithm to Self Organizing Density-Based Clustering with Micro and Macroclusters

2022

View full text Add to dashboard Cite

This paper proposes a new evolving algorithm named Macro SOStream with entirely online learning and based on self-organizing density for data stream clustering. The Macro SOStream is based on the SOStream algorithm, but we incorporate macroclusters composed of microclusters. While microclusters have spherical shapes, macroclusters can have arbitrary shapes. Moreover, the Macro SOStream has the macrocluster merge functionality specially designed to improve its performance under data drift contexts. The Macro SOStream’s performance is compared to SOStream and DenStream algorithms’ performance using four synthetic datasets and the ARI performance metric to validate our proposal. Furthermore, we carry out an exhaustive analysis on the influence of adequate hyperparameter setup on these algorithms’ performance. As a result, the Macro SOStream presents good performance mainly in the context of data drift and for demands of non-spherical clusters.

show abstract

Section: Background and Related Workmentioning

confidence: 99%

Macro SOStream: An Evolving Algorithm to Self Organizing Density-Based Clustering with Micro and Macroclusters

2022

View full text Add to dashboard Cite

show abstract

“…Portanto, rotinas de classificação de distúrbios devem ser projetadas para tratar novidades nos padrões dos dados. Estas novidades precisam ser detectadas e armazenadas em sistemas autoajustáveis em modo on-line (GARCIA et al, 2019;SILVA et al, 2018;SOARES et al, 2019;LEITE et al, 2016).…”

Section: Introductionunclassified

“…Estudos têm mostrado que algoritmos de clusterização evolutiva processam dados contendo dezenas de valores em cerca de 5 a 10 milissegundos (por amostra) em computadores comerciais (GARCIA et al, 2019;SOARES et al, 2019). Um artigo tipo survey recente aponta a área de sistemas inteligentes evolutivos como uma área bastante promissora para lidar com grandes bases de dados (big data) em ambientes dinâmicos e sujeitos a novidades (ŠKRJANC et al, 2019).…”

Section: Introductionunclassified

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos

Santana

Dornelas

Fortunato

et al. 2023

REVTEC

View full text Add to dashboard Cite

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos Pattern recognition and unsupervised classification based on evolving connectionist systems Reconocimiento de critérios y clasificación no supervisada basada en sistemas conectistas evolutivosResumo O reconhecimento de padrões é uma área da ciência cujo objetivo é a classificação de objetos em um número de categorias ou classes. Estes objetos podem ser imagens, formas de onda de sinais ou qualquer tipo de medição que necessita ser distinguida.Na área de sistemas elétricos de potência, com foco em qualidade de energia, o reconhecimento de padrões tem sido cada vez mais usado para detectar e classificar distúrbios que ocorrem nos sinais de tensão e corrente. Estes eventos são chamados de distúrbios de qualidade de energia elétrica e causam prejuízos financeiros tanto às concessionárias de energia quanto aos consumidores. Portanto, a detecção e classificação destes distúrbios são de fundamental importância. Este trabalho apresenta o sistema conexionista evolutivo eCF (evolving Classifier Function) para a classificação não supervisionada de distúrbios de qualidade da energia elétrica em sinais de tensão elétrica. Para extração de características indicadoras de presença de distúrbios é considerado um método híbrido composto pelas seguintes técnicas de análise de sinais: filtro Hodrick e Prescott, raiz do valor quadrático médio e transformada rápida de Fourier. Os resultados mostram uma comparação entre o desempenho do eCF e outros classificadores. O modelo eCF obteve acurácia média de 100%.

show abstract

“…Por exemplo, elas têm sido consideradas para detecção e classificação de novidades em séries temporais econométricas e climáticas; detecção de faltas em máquinas elétricas; detecção de mudanças abruptas e graduais em aplicações biomédicas, entre outras (GARCIA et al, 2019;LEITE;GOMIDE, 2012;LEITE et al, 2016;LEITE;ŠKRJANC, 2019;ŠKRJANC et al, 2019) Algoritmos de detecção e classificação de distúrbios devem ser aptos a lidar com a ocorrência de novidades nos padrões dos dados. Novidades devem ser detectadas e armazenadas em modelos auto ajustáveis em modo online (GARCIA et al, 2019;SILVA et al, 2018;LEITE et al, 2009;SOARES et al, 2019). A quantidade de dados e amostras é grande.…”

Section: Introductionunclassified

Aprendizado de Máquina Fuzzy Incremental para Classificação de Faltas em Sistemas de Potência

Santana

Leite

2020

Abakos

View full text Add to dashboard Cite

O conceito de Qualidade da Energia está relacionado a um conjunto de alterações que podem ocorrer no sistema elétrico. Tais alterações (distúrbios/faltas) podem ocorrer em várias partes do sistema de energia, sejam nas instalações elétricas dos consumidores ou no sistema supridor da concessionária, causando prejuízos financeiros a ambas as partes. Por isso, é de fundamental importância a detecção e classificação em tempo real desses distúrbios de modo automático. Para reconhecimento e classificação de padrões, são considerados modelos inteligentes evolutivos, ou seja, modelos equipados com algoritmos de aprendizado incrementais online capazes de alterar seus parâmetros e estrutura, conforme novas informações surgem em um fluxo de dados. Em particular, é considerada a modelagem evolutiva baseada em conjuntos fuzzy (FBeM). Para o pré-processamento dos dados mensurados, e extração de variáveis indicadoras da presença de distúrbios, é considerado o filtro Hodrick-Prescott, a técnica de transformada rápida de Fourier e o valor eficaz da tensão. O modelo desenvolvido neste trabalho tem alcançado um desempenho comparável àqueles de modelos estado da arte na área de qualidade de energia. Detecção e classificação de distúrbios tais como elevação de tensão, sub-harmônico, transitório oscilatório, spikes e notching, ocorrendo de forma simultânea ou não, são alcançadas com acurácia de, aproximadamente, 99%.

show abstract

Evolving Fuzzy Set-based and Cloud-based Unsupervised Classifiers for Spam Detection

Cited by 6 publications

References 20 publications

Macro SOStream: An Evolving Algorithm to Self Organizing Density-Based Clustering with Micro and Macroclusters

Macro SOStream: An Evolving Algorithm to Self Organizing Density-Based Clustering with Micro and Macroclusters

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos

Aprendizado de Máquina Fuzzy Incremental para Classificação de Faltas em Sistemas de Potência

Contact Info

Product

Resources

About