Anomaly detection systems can be effectively constructed using machine learning methods. However, the baseline methods do not naturally support functionality for scenarios with constraints imposed by the environment and limited resources. Motivated by the lack of such approaches, we investigate scenarios where anomaly detection can be improved for these conditions. We develop and evaluate approaches for solving anomaly detection problems in case of online learning, limited reliability of input data and labels, and data acquisition constraints. Our approaches show improvements in detection and analysis of anomalies in data under these conditions.
«
Anomaly detection systems can be effectively constructed using machine learning methods. However, the baseline methods do not naturally support functionality for scenarios with constraints imposed by the environment and limited resources. Motivated by the lack of such approaches, we investigate scenarios where anomaly detection can be improved for these conditions. We develop and evaluate approaches for solving anomaly detection problems in case of online learning, limited reliability of input d...
»
Übersetzte Kurzfassung:
Die Konstruktion wirksamer Anomalieerkennungssysteme ist mittels Techniken des maschinellen Lernens möglich. Herkömmliche Methoden sind jedoch für Szenarien mit beschränkten Ressourcen unzureichend. Diese Arbeit beleuchtet daher Erkennungungsansätze, die auch für solche Szenarien geeignet sind. Wir entwickeln und evaluieren Ansätze für Szenarien mit Online-Learning, mit limitierter Zuverlässigkeit von Eingabedaten und Klassifikation, sowie beschränkter Kapazität bei der Datenerhebung. Unsere Ansätze zeigen in den präsentierten Szenarien Verbesserungen bei der Erkennung und Analyse von Anomalien.
«
Die Konstruktion wirksamer Anomalieerkennungssysteme ist mittels Techniken des maschinellen Lernens möglich. Herkömmliche Methoden sind jedoch für Szenarien mit beschränkten Ressourcen unzureichend. Diese Arbeit beleuchtet daher Erkennungungsansätze, die auch für solche Szenarien geeignet sind. Wir entwickeln und evaluieren Ansätze für Szenarien mit Online-Learning, mit limitierter Zuverlässigkeit von Eingabedaten und Klassifikation, sowie beschränkter Kapazität bei der Datenerhebung. Unsere Ans...
»