Resumen

La detección de valores atípicos es una importante tarea de minería de datos, cuyo objetivo es encontrar los objetos anormales o atípicos de un conjunto de datos dado. Las técnicas de detección de valores atípicos tienen muchas aplicaciones, como la detección de fraudes con tarjetas de crédito y la vigilancia del medio ambiente. Nuestro trabajo anterior propuso los valores atípicos basados en clústeres (CB) y proporcionó un método centralizado que utiliza máquinas de aprendizaje extremo no supervisadas para calcular los valores atípicos CB. En este trabajo, proponemos un nuevo algoritmo distribuido para la detección de valores atípicos CB (DACB). En el nodo maestro, recogemos un pequeño número de puntos de los nodos esclavos para obtener un umbral. En cada nodo esclavo, diseñamos un nuevo método de filtrado que puede utilizar el umbral para acelerar eficientemente el cálculo. Además, también proponemos un método de clasificación para optimizar el orden de exploración de los clusters. Por último, verificamos la eficacia y eficiencia de los enfoques propuestos mediante numerosos experimentos de simulación.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Detección de valores atípicos; tarea de minería de datos; objetos anómalos; conjunto de datos; técnicas; aplicaciones.
• Keywords:Outlier detection; data mining task; abnormal objects; dataset; techniques; applications