Resumen

Detectar valores atípicos en flujos de datos es un problema desafiante, ya que, en un escenario de flujo de datos, escanear los datos varias veces es inviable y los datos que llegan en streaming siguen evolucionando. A lo largo de los años, un enfoque común para la detección de valores atípicos es el uso de métodos basados en clustering, pero estos métodos tienen desafíos y limitaciones inherentes. Estos incluyen la capacidad de clusterizar eficazmente puntos de datos dispersos, lo cual está relacionado con la calidad de los métodos de clustering, la gestión de flujos de datos continuos de alta velocidad, el alto consumo de memoria y tiempo, y la falta de precisión en la detección de valores atípicos. Este artículo tiene como objetivo proponer un enfoque efectivo basado en clustering para detectar valores atípicos en flujos de datos en evolución. Proponemos un nuevo método llamado Método de Clustering basado en Microcluster Efectivo y Poda Mínima para la Detección de Valores Atípicos

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Valores atípicos; Flujos de datos; Métodos basados en agrupamiento; Datos en evolución; Técnica de microagrupamiento; Detección de valores atípicos
• Keywords:Outliers; Data streams; Clustering-based methods; Evolving data; Microclustering technique; Outlier detection