Resumen

Se presenta un enfoque de región vectorial angular grande y margen (LARM) para la detección de novedades basada en datos desequilibrados. La idea clave es construir la mayor región vector-angular en el espacio de características para separar los patrones de entrenamiento normales; mientras tanto, maximizar el margen vector-angular entre la superficie de esta región vector-angular óptima y los patrones de entrenamiento anormales. Para mejorar el rendimiento de generalización de LARM, la distribución vectorial angular se optimiza maximizando la media vectorial angular y minimizando la varianza vectorial angular, lo que separa bien los ejemplos normales de los anormales. Sin embargo, el cálculo inherente al solucionador de programación cuadrática (QP) requiere O(n3) de tiempo de entrenamiento y al menos O(n2) de espacio, lo que podría ser prohibitivo desde el punto de vista computacional para problemas a gran escala. Mediante un algoritmo de aproximación (1 ε) y (1-ε), se propone el algoritmo LARM basado en el conjunto central para un problema LARM de entrenamiento rápido. Los resultados experimentales basados en conjuntos de datos desequilibrados han validado la eficiencia favorable del enfoque propuesto en la detección de novedades.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Enfoque LARM (Large vector-angular region; margin); detección de novedades; datos desequilibrados; espacio de características; margen vectorial-angular
• Keywords:Large vector-angular region; margin (LARM) approach; novelty detection; imbalanced data; feature space; vector-angular margin