.png){kind=icon}
返回
Boundary sample extraction support vector data description: a novel anomaly detection method for large-scale data
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ada6ea.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
支持向量数据描述（SVDD）已被有效应用于许多异常检测问题。配备核函数后，其训练复杂度随着训练数据的增加而呈指数级增长，这使其在大规模数据集上实用性较低。本文提出了一种基于数据缩减的边界样本提取SVDD（BSE-SVDD）异常检测方法，旨在适用于大规模数据。首先，基于证明样本的空间位置与其对应的拉格朗日乘子相关，建立了BSE机制。然后，利用BSE机制搜索拉格朗日乘子的局部最优解，并对所有训练样本进行排序。最后，提取排序后的前p个样本作为边界样本进行训练，同时移除可能非支持向量的多数训练样本。与基于数据缩减的SVDD研究相比，大规模数据集上的实验结果表明，BSE-SVDD能在获得相当分类精度的同时显著提升训练速度。
Keyword:
support vector data description
boundary samples extraction
data reduction
stochastic gradient descent
large-scale data
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
A fast SVDD algorithm based on decomposition and combination for fault detection一种基于分解与组合的快速SVDD故障检测算法
PREAI
分享收藏A compound fault diagnosis model for photovoltaic array based on 1D VoVNet-SVDD by considering unknown faults考虑未知故障的基于一维vovnet-svdd的光伏阵列复合故障诊断模型.png)
SOLAR ENERGY
SOLAR ENERGYIF6.6
PREAI
分享收藏
Large-margin multiple kernel ep-SVDD using Frank-Wolfe algorithm for novelty detectionPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏A Unified Framework With Incremental Learning Capacity for Industrial Fault Detection and Classification用于工业故障检测和分类的具有增量学习能力的统一框架
PREAI
分享收藏
查看更多内容