پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 42 |
| تعداد شماره‌ها | 1,537 |
| تعداد مقالات | 12,623 |
| تعداد مشاهده مقاله | 25,846,282 |
| تعداد دریافت فایل اصل مقاله | 10,664,662 |
ارائۀ یک یادگیرندۀ برخط رانش آگاه برای تشخیص ناهنجاری در داده‌های جریانی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| هوش محاسباتی در مهندسی برق | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 2، دوره 13، شماره 4، دی 1401، صفحه 1-14 اصل مقاله (1.42 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی فارسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/isee.2021.126591.1443 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مریم آموزگار1؛ بهروز مینایی بیدگلی* 2؛ هادی فنایی3؛ منصور رزقی4 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1دانشجوی دکترا گروه مهندسی نرم افزار، دانشکده مهندسی کامپیوتر- دانشگاه علم و صنعت- تهران- ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2دانشیار گروه مهندسی نرم افزار، دانشکده مهندسی کامپیوتر- دانشگاه علم و صنعت- تهران- ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 3استادیار مرکز تحقیقات سیستمهای هوشمند کاربردی - دانشگاه هالمستاد- هالمستاد- سوئد | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 4دانشیار گروه علوم کامپیوتر، دانشکده علوم ریاضی - دانشگاه تربیت مدرس- تهران- ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| داده‌های جریانی در بستر پویا و در حال تغییر، تکامل می‌یابند؛ بنابراین، رانش مفهوم یا تغییر توزیع اساسی داده‌ها با گذشت زمان، یکی از مهم‌ترین چالش‌های این نوع از داده‌ها است. علاوه بر این، رانش مفهوم بر عملکرد فرآیند تشخیص ناهنجاری نیز تأثیر می‌گذارد. تشخیص ناهنجاری در چنین داده‌هایی در حوزه‌های متعددی ازجمله تشخیص نفوذ در شبکه‌های کامپیوتری یا مدیریت ترافیک شبکۀ راهها کاربرد دارد. در سالهای اخیر، رویکردهایی مبتنی بر تجزیۀ تانسور ارائه شدهاند که به‌صورت برخط زیرفضا را ردیابی می‌کنند و یادگیرنده را با یک استراتژی ناآگاهانه و به‌طور ضمنی در همۀ گام‌های زمانی، در مقابل تغییرات تطبیق می‌دهند. این مقاله، یک رویکرد برخط را پیشنهاد می‌کند که رانش مفهوم را به‌طور صریح تشخیص می‌دهد و اعلام می‌کند. بدین ترتیب یادگیرنده نیز با یک استراتژی آگاهانه و تنها در گام‌های زمانی لازم با تغییرات و رانش، تطبیق پیدا می‌کند. ارزیابی راهکار پیشنهادی با استفاده از مجموعه‌داده‌های واقعی انجام شد و تحلیل نتایج به‌دست‌آمده، عملکرد روش پیشنهادی را از جنبه‌های یادگیری و تشخیص تأیید می‌کند. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژه‌ها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| تشخیص ناهنجاری؛ تطبیق‌پذیری آگاهانه و کورکورانه؛ تجزیۀ تانسور؛ رانش مفهوم | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
[1] [1] F. Khojasteh, M. Kahani, and B. Behkamal, “Concept drift detection in business process logs using deep learning,” Signal Data Process., Vol. 17, No. 4, pp. 33–48, 2021. [2] K. S. Yaghoubi M, Sebti A, “Identifying Concept Drift in Business Processes by Analyzing Type of Surveys in Event History,” J. Inf. Commun. Technol., Vol. 12, No. 43, 1399. [3] H. H. Kordi Ardestan F, Siyadati S, “An improved concept-based drift solution to update customer profiles in fraud detection systems,” in 8th Annual Conference on Electronic Banking and Payment Systems, 1397. [4] J. Sun, D. Tao, and C. Faloutsos, “Beyond streams and graphs,” in Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD ’06, 2006, p. 374. [5] H. F. Tork, M. Oliveira, J. Gama, S. Malinowski, and R. Morla, “Event and anomaly detection using Tucker3 decomposition,” in CEUR Workshop Proceedings, 2012, Vol. 960, pp. 8–12. [6] H. Fanaee-T and J. Gama, “Event detection from traffic tensors: A hybrid model,” Neurocomputing, Vol. 203, No. C, pp. 22–33, Aug. 2016. [7] J. Lu, A. Liu, F. Dong, F. Gu, J. Gama, and G. Zhang, “Learning under Concept Drift: A Review,” 2019. [8] J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, and A. Bouchachia, “A survey on concept drift adaptation,” ACM Comput. Surv., Vol. 46, No. 4, pp. 1–37, 2014. [9] R. N. Gemaque, A. F. J. Costa, R. Giusti, and E. M. Santos, “An overview of unsupervised drift detection methods,” WIREs Data Min. Knowl. Discov., Jul. 2020. [10] S. Saurav et al., “Online anomaly detection with concept drift adaptation using recurrent neural networks,” in Proceedings of the ACM India Joint International Conference on Data Science and Management of Data - CoDS-COMAD ’18, 2018, pp. 78–87. [11] D. Zambon, C. Alippi, and L. Livi, “Concept Drift and Anomaly Detection in Graph Streams,” IEEE Trans. Neural Networks Learn. Syst., Vol. 29, No. 11, pp. 5592–5605, 2018. [12] B. Hooi, K. Shin, S. Liu, and C. Faloutsos, “SMF: Drift-aware matrix factorization with seasonal patterns,” in SIAM International Conference on Data Mining, SDM 2019, 2019, pp. 621–629. [13] H. Kasai, W. Kellerer, and M. Kleinsteuber, “Network Volume Anomaly Detection and Identification in Large-Scale Networks Based on Online Time-Structured Traffic Tensor Tracking,” IEEE Trans. Netw. Serv. Manag., Vol. 13, No. 3, pp. 636–650, 2016. [14] M. Mardani and G. B. Giannakis, “Estimating Traffic and Anomaly Maps via Network Tomography,” IEEE/ACM Trans. Netw., Vol. 24, No. 3, pp. 1533–1547, 2016. [15] M. Mardani, G. Mateos, and G. B. Giannakis, “Dynamic anomalography: Tracking network anomalies via sparsity and low rank,” IEEE J. Sel. Top. Signal Process., Vol. 7, No. 1, pp. 50–66, 2013. [16] R. Pasricha, E. Gujral, and E. E. Papalexakis, “Identifying and alleviating concept drift in streaming tensor decomposition,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), Vol. 11052 LNAI, pp. 327–343, Apr. 2019. [17] Y. Y. Lo, W. Liao, C. S. Chang, and Y. C. Lee, “Temporal Matrix Factorization for Tracking Concept Drift in Individual User Preferences,” IEEE Trans. Comput. Soc. Syst., Vol. 5, No. 1, pp. 156–168, Mar. 2018. [18] G. I. Webb, R. Hyde, H. Cao, H. L. Nguyen, and F. Petitjean, “Characterizing concept drift,” Data Min. Knowl. Discov., Vol. 30, No. 4, pp. 964–994, Jul. 2016. [19] M. Sayed-Mouchaweh, Learning from Data Streams in Dynamic Environments. Cham: Springer International Publishing, 2016. [20] T. G. Kolda and B. W. Bader, “Tensor Decompositions and Applications,” SIAM Rev., Vol. 51, No. 3, pp. 455–500, Aug. 2009. [21] M. Amoozegar, B. Minaei-Bidgoli, M. Rezghi, and H. Fanaee-T, “Extra-adaptive robust online subspace tracker for anomaly detection from streaming networks,” Eng. Appl. Artif. Intell., Vol. 94, p. 103741, Sep. 2020. [22] J. P. van Brakel, “Smoothed z-score algorithm,” 2016. [Online]. Available: http://stackoverflow.com/questions/225 83391/peaksignal-detection-in-realtime-timeseries-data. [Accessed: 23- June2019]. [Accessed: 01-Jan-2019]. [23] H. Kasai, “Fast online low-rank tensor subspace tracking by CP decomposition using recursive least squares from incomplete observations,” Neurocomputing, Vol. 347, pp. 177–190, 2019. [24] A. Sobral, S. Javed, S. K. Jung, T. Bouwmans, and E. H. Zahzah, “Online Stochastic Tensor Decomposition for Background Subtraction in Multispectral Video Sequences,” in Proceedings of the IEEE International Conference on Computer Vision, 2015, Vol. 2015-Febru, pp. 946–953. [25] M. Mardani, G. Mateos, and G. B. Giannakis, “Subspace learning and imputation for streaming big data matrices and tensors,” IEEE Trans. Signal Process., Vol. 63, No. 10, pp. 2663–2677, 2015. [26] X. Ding, L. He, and L. Carin, “Bayesian robust principal component analysis,” IEEE Trans. Image Process., Vol. 20, No. 12, pp. 3419–3430, 2011. [27] J. Y. Wei, J. F. Zhao, Y. Y. Zhao, and Z. C. Zhao, “Unsupervised anomaly detection for traffic surveillance based on background modeling,” 2018. [28] L. Li, W. Huang, I. Y. H. Gu, and Q. Tian, “Statistical modeling of complex backgrounds for foreground object detection,” IEEE Trans. Image Process., Vol. 13, No. 11, pp. 1459–1472, 2004. [29] C. Lin, Q. Zhu, S. Guo, Z. Jin, Y. R. Lin, and N. Cao, “Anomaly detection in spatiotemporal data via regularized non-negative tensor analysis,” Data Min. Knowl. Discov., pp. 1–18, Mar. 2018. [30] “Enron Email Dataset.” [Online]. Available: https://www.cs.cmu.edu/~./enron/. [31] “Trade (v4.0) — Correlates of War.” [Online]. Available: https://correlatesofwar.org/data-sets/bilateral-trade. [32] J. Liao, J. Tang, W. Zeng, and X. Zhao, “Efficient and Accurate Traffic Flow Prediction via Incremental Tensor Completion,” pp. 2169–3536, 2018. [33] A. Vandervalk, D. Snyder, and J. Hajek, “US DOT Roadway Transportation Data Business Plan (Phase 1),” 2013. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 628 تعداد دریافت فایل اصل مقاله: 359 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||