Geri Dön

An improved bidirectional generative adversarial networks based approach for anomaly detection

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

  1. Tez No: 641805
  2. Yazar: MUHAMMET OĞUZ KAPLAN
  3. Danışmanlar: DOÇ. DR. SADETTİN EMRE ALPTEKİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Galatasaray Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 65

Özet

Anomali tespiti, anomalilerin yetersiz sayıda bulunması ve etiketlenmemiş olması nedeniyle zorlu bir problem olarak kabul edilir. Anomali tespiti problemi için çok sayıda makine öğrenme yöntemi uygulanabilir. Denetimli anomali tespiti yöntemleri gibi geleneksel makine öğrenme algoritmaları, etiketli veri kümeleri gerektirir ve dengeli veri kümelerinde makul başarılar elde edebilir. Ancak, çoğunlukla sınıf dengesizliği probleminden muzdariptirler. Denetimsiz anomali tespit yöntemleri ise verilerin daha önemli kısımlarının normal olduğunu ve anormallik olarak en az uyuşan durumları etiketlemeye meyillidirler. Yarı denetimli yöntemler, normal verilerden standart veri dağılımını temsil eden yapılar oluşturur. Bu problemin üstesinden gelmek için, literatürde denetimli, denetimsiz, yarı denetimli öğrenme gibi farklı makine öğrenme yaklaşımlarının kombinasyonu önerilmektedir. Yapay sinir ağlarının ve üretken modellerin ortaya çıkmasıyla, sinir ağlarından türetilen farklı metodolojiler anomali tespit görevlerine uygulanmaktadır. Bu çalışmada, KDDCUP99 ve Kredi Kartı Dolandırıcılık Tespiti veri kümelerine, bir anomali tespit problemi olarak yaklaşılmış ve Çift Yönlü Çekişmeli Ağlar tek sınıf bir anomali tespit algoritması olarak değerlendirilerek bu veri setlerine uygulanmıştır. Üretici ağ ve ayırt edici ağ eğitim aşamasında birbirine oldukça bağımlı olduğundan, bu bağımlılığı azaltmak için, bu çalışmada, Çift Yönlü Çekişmeli Ağlar'ın eğitim aşamasına ekstra adımları ekleyerek üç farklı eğitim yaklaşımı önerilmiştir. Ayrıca önerilen yaklaşımların anomali saptama görevinde Çift Yönlü Çekişmeli Ağlar'ın performansını artırdığını gözlemlenmiştir.

Özet (Çeviri)

Anomaly detection is considered as a challenging task due to its imbalanced and unlabelled nature. Numerous machine learning methods are applicable to the anomaly detection task. Conventional machine learning algorithms, such as supervised anomaly detection methods require labeled data sets and can obtain reasonable achievements on balanced data sets. However, they mostly suffer from the class imbalance problem. Unsupervised anomaly detection methods, on the other hand, assume that the more significant part of the data is normal and are inclined to label the least fit instances as anomalies. Semi-supervised methods create structures from normal data, which represents standard data distribution. To overcome this challenge, the combination of different machine learning approaches such as supervised, unsupervised, semi-supervised learning are proposed in the literature. With the advent of neural networks and generative models, different methodologies derived from neural networks are applied to anomaly detection tasks. In this study, we use the KDDCUP99 and Credit Card Fraud Detection data set, consider them as an anomaly detection task, and implement Bidirectional Generative Adversarial Networks, considering it as a one-class anomaly detection algorithm. Since generator and discriminator are highly dependent on each other in the training phase, to reduce this dependency, in this paper, we propose three different training approaches for Bidirectional Generative Adversarial Networks by adding extra training steps to it. We also demonstrate that proposed approaches increased the performance of Bidirectional Generative Adversarial Networks on anomaly detection task.}

Benzer Tezler

  1. Feature enhancement with deep generative models in deep Bayesian active learning

    Bayes derin aktif öğrenmede derin üretici modeller ile öznitelik iyileştirme

    PINAR EZGİ DUYMUŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ

  2. Column generation-based methods for the electric vehicle routing problems with time windows

    Zaman pencereli elektirikli araç rotalama problemi için sütun türetme algoritmasına dayalı çözüm yöntemleri

    ECE NAZ DUMAN

    Doktora

    İngilizce

    İngilizce

    2022

    EnerjiSabancı Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. BÜLENT ÇATAY

    DR. ÖĞR. ÜYESİ DUYGU TAŞ KÜTEN

  3. Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

    Examination of the effects of distributed generation on smart grids

    MİKAİL PÜRLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  4. Endüstriyel mikro şebekelerde dinamik enerji yönetim modeli önerisi ve örnek uygulama

    A dynamic energy management model proposal for energy management in industrial microgrids and a case study

    ZEYNEP BEKTAŞ

    Doktora

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLGÜN KAYAKUTLU

  5. Contribution of building information modelling working to structural engineering analysis

    Bina bilgi modelleme çalışmasının yapısal mühendislik analizine katkısı

    MOHAMED NUR ALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İnşaat Mühendisliğiİstanbul Gedik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN BOZKURT NAZİLLİ