User: Guest  Login
More Searchfields
Simple search
Original title:
Machine Learning Methods for Detecting Rare Events in Temporal Data
Translated title:
Maschinelles Lernen zur Entdeckung seltener Ereignisse in temporalen Daten
Author:
Günnemann-Gholizadeh, Nikou
Year:
2018
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Pfeffer, Jürgen (Prof. Dr.)
Referee:
Pfeffer, Jürgen (Prof. Dr.); Ntoutsi, Eirini (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
TUM classification:
SOZ 700d
Abstract:
In this thesis, we address the anomaly and event detection challenge in temporal data by developing and extending intelligent data driven algorithms. By focusing on different temporal data domains, this thesis deals with detecting two categories of anomalies: (i) Local anomalies, where the goal is to find rare time intervals whose values deviate from the remaining measured data points. (ii) Global anomalies, where whole instances are detected as anomalies which statistically behave differently...     »
Translated abstract:
Diese Arbeit adressiert das Problem der Anomalieerkennung in temporalen Daten durch die Entwicklung datengetriebener Algorithmen. Unter Berücksichtigung verschiedener temporaler Datendomänen, behandelt diese Arbeit das Problem von selten auftretenden Events, in zwei Kategorien:(i) Lokale Anomalien, wo Teilintervalle innerhalb einer Zeitreihe zu finden sind, welche von den restlichen Messwerten abweichen.(ii) Globale Anomalien, wo gesamte Instanzen als Anomalien erkannt werden, welche von den ver...     »
WWW:
https://mediatum.ub.tum.de/?id=1444158
Date of submission:
17.05.2018
Oral examination:
08.08.2018
File size:
5215186 bytes
Pages:
103
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20180808-1444158-1-3
Last change:
05.09.2018
 BibTeX