این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۱۳، شماره ۴، صفحات ۱-۱۴
عنوان فارسی ارائۀ یک یادگیرندۀ برخط رانش آگاه برای تشخیص ناهنجاری در داده‌های جریانی
چکیده فارسی مقاله داده‌های جریانی در بستر پویا و در حال تغییر، تکامل می‌یابند؛ بنابراین، رانش مفهوم یا تغییر توزیع اساسی داده‌ها با گذشت زمان، یکی از مهم‌ترین چالش‌های این نوع از داده‌ها است. علاوه بر این، رانش مفهوم بر عملکرد فرآیند تشخیص ناهنجاری نیز تأثیر می‌گذارد. تشخیص ناهنجاری در چنین داده‌هایی در حوزه‌های متعددی ازجمله تشخیص نفوذ در شبکه‌های کامپیوتری یا مدیریت ترافیک شبکۀ راهها کاربرد دارد. در سال‌های اخیر، رویکردهایی مبتنی بر تجزیۀ تانسور ارائه شده‌اند که به‌صورت برخط زیرفضا را ردیابی می‌کنند و یادگیرنده را با یک استراتژی ناآگاهانه و به‌طور ضمنی در همۀ گام‌های زمانی، در مقابل تغییرات تطبیق می‌دهند. این مقاله، یک رویکرد برخط را پیشنهاد می‌کند که رانش مفهوم را به‌طور صریح تشخیص می‌دهد و اعلام می‌کند. بدین ترتیب یادگیرنده نیز با یک استراتژی آگاهانه و تنها در گام‌های زمانی لازم با تغییرات و رانش، تطبیق پیدا می‌کند. ارزیابی راهکار پیشنهادی با استفاده از مجموعه‌داده‌های واقعی انجام شد و تحلیل نتایج به‌دست‌آمده، عملکرد روش پیشنهادی را از جنبه‌های یادگیری و تشخیص تأیید می‌کند.
کلیدواژه‌های فارسی مقاله تشخیص ناهنجاری، تطبیق‌پذیری آگاهانه و کورکورانه، تجزیۀ تانسور، رانش مفهوم،
عنوان انگلیسی A Drift-Aware Online Learner for Anomaly Detection from Streaming Data
چکیده انگلیسی مقاله Streaming data has been evolved in a dynamically changing and evolving environment. Therefore, concept drift or changing the underlying distribution of data over time is considered as an important challenge in processing this type of data. Moreover, concept drift affects the performance of anomaly detection process. The problem of anomaly detection in streaming data is applied to many important applications, for instance, intrusion detection in computer networks or traffic management in the road networks. In recent years, some tensor decomposition based approaches have been presented that track the main pattern or subspace of data in an online manner and adapt the learner with probabilistic changes continuously in all time-intervals by using an implicit strategy. We propose an online approach that detects the concept drift in an explicit manner. Moreover, the learner has been adapted with drift and changes only in their occurrences using informed strategy. Evaluation of the proposed method is performed with real datasets. Analysis of the obtained results confirms the promising performance of the proposed method in terms of learning and detection.
کلیدواژه‌های انگلیسی مقاله تشخیص ناهنجاری, تطبیق‌پذیری آگاهانه و کورکورانه, تجزیۀ تانسور, رانش مفهوم
نویسندگان مقاله مریم آموزگار |
دانشجوی دکترا گروه مهندسی نرم افزار، دانشکده مهندسی کامپیوتر- دانشگاه علم و صنعت- تهران- ایران

بهروز مینایی بیدگلی |
دانشیار گروه مهندسی نرم افزار، دانشکده مهندسی کامپیوتر- دانشگاه علم و صنعت- تهران- ایران

هادی فنایی |
استادیار مرکز تحقیقات سیستمهای هوشمند کاربردی - دانشگاه هالمستاد- هالمستاد- سوئد

منصور رزقی |
دانشیار گروه علوم کامپیوتر، دانشکده علوم ریاضی - دانشگاه تربیت مدرس- تهران- ایران

نشانی اینترنتی https://isee.ui.ac.ir/article_26034_1f18c4ddb4369b42ad1cc5097d39339e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات