Geri Dön

Unsupervised anomaly detection algorithms

Denetimsiz anomali tespit algoritmaları

PDF İndir

  1. Tez No: 539012
  2. Yazar: BEYZA KIZILKAYA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ENGİN YILDIZTEPE
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 54

Özet

Verilerdeki aykırı değerlerin veya diğer bir deyişle anomalilerin tespit edilmesi veri analizinde büyük önem taşımaktadır. Anomali tespitinde probleme göre farklı yaklaşımlar kullanılabilir. Denetimsiz anomali tespiti (DAT), bu yaklaşımlar içerisinde en zorlu olanıdır. DAT yöntemleri etiketli bir eğitim kümesi kullanmadan anomalileri belirlemeyi hedefler. DAT algoritmaları, en yakın komşuluk tabanlı, kümeleme tabanlı ve istatistiksel tabanlı olmak üzere üç ana başlık altında incelenebilir. Bu tezde, DAT yaklaşımı incelenmiş ve istatistiksel tabanlı HBOS algoritması için örneklem genişliğine duyarlı bir düzeltme önerisinde bulunulmuştur. Uygulamanın ilk bölümünde yaygın olarak kullanılan, k en yakın komşu (k-NN), yerel aykırı değer (LOF), yerel yoğunluk kümeleme aykırı değer (LDCOF), ve histogram tabanlı aykırı değer skoru (HBOS) algoritmalarının performansları karşılaştırılmıştır. Elde edilen sonuçlara göre, HBOS algoritması doğruluk oranı ve çalışma süresi açısından daha başarılı bulunmuştur. Uygulamanın ikinci bölümünde farklı kutu genişliği belirleme tekniklerinin HBOS algoritmasının performansına etkileri araştırılmıştır. Farklı özelliklerde seçilen çok değişkenli veriler ile yapılan karşılaştırma sonuçlarına göre doğruluk oranı açısından kutu genişliği belirleme teknikleri arasında üstünlük saptanamamıştır.

Özet (Çeviri)

Detection of outliers or anomalies in the data is of great importance in data analysis. Different approaches can be used in anomaly detection according to type of the problem. Unsupervised anomaly detection (UAD) approach is the most challengeable part of these approaches. UAD methods aim to detect anomalies without using a labelled training dataset. UAD algorithms can be considered in three main groups: nearest neighbour based, clustering based and statistical based. In this thesis, UAD approaches is examined and an adjustment, that depends on sample size, is proposed for statistical based algorithm, HBOS. In the first part of the application, performance of the most widely used UAD algorithms, that are k-nearest neighbour (k-NN), local outlier factor (LOF), local density cluster-based outlier factor (LDCOF) and histogram-based outlier score (HBOS), are compared. According to the results, HBOS algorithm is found more successful in terms of accuracy rate and runtime. In the second part of the application, effect of the bin-width determination techniques on to the performance of HBOS algorithm is examined. According to the results of the comparison with multivariate data of different characteristics, there is no superiority between the bin-width determination techniques in terms of accuracy.

Benzer Tezler

  1. Tez No

    574256

    Online anomaly detection with kernel density estimators

    Çekirdek yoğunluk tahmincileri ile çevrimiçi anomali tespiti

    MİNE KERPİÇÇİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SÜLEYMAN SERDAR KOZAT

    YRD. DOÇ. DR. HÜSEYİN ÖZKAN

  2. Tez No

    904565

    Comperative evaluation of unsupervised fraud detection algorithms with feature extraction and scaling in purchasing domain

    Satın alma alanında özellik çıkarma ve ölçekleme ile denetimsiz sahtekarlık tespit algoritmalarının karşılaştırmalı değerlendirmesi

    YİĞİT CAN TAŞOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Veri Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  3. Tez No

    641805

    An improved bidirectional generative adversarial networks based approach for anomaly detection

    Anormallik tespitinde çift yönlü üretken çekişmeli ağlar yaklaşımının geliştirilmesi için bir yöntem

    MUHAMMET OĞUZ KAPLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Endüstri ve Endüstri MühendisliğiGalatasaray Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SADETTİN EMRE ALPTEKİN

  4. Tez No

    784460

    Detecting and characterizing anomalous followers on social media

    Sosyal medyada anormal takipçileri tespit etme ve karakterize etme

    BARIŞ TEMEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Veri Bilimi Ana Bilim Dalı

    YRD. DOÇ. DR. ONUR VAROL

  5. Tez No

    786112

    BGP anomaly detection using association rule mining algorithms

    İlişkilendirme kuralı madenciliği algoritmasını kullanarak BGP anomali tespiti

    MUBAARAK ABDULLAH AL-TAMIMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZAFER ALBAYRAK

Geri Dön