一、基本信息

??題目：Dynamic Rough-Fuzzy Support Vector Domain Description for Outlier Detection
??期刊/會議：IEEE FUZZ
??發(fā)表時間：2018年
??引用次數(shù)：0

二、論文總結

2.1 研究方向

?? 用粗糙模糊SVM進行動態(tài)異常檢測

2.2 寫作動機

?? 實際生產中數(shù)據(jù)是經常變化的，體現(xiàn)在兩個方面：已經存在的樣本的數(shù)值變化以及樣本量的增減。傳統(tǒng)動態(tài)異常檢測只關注樣本量的變化，并且SVM相關方法每次計算都是從零開始。作者提出動態(tài)粗糙模糊SVDD方法以適應上述提到的兩種變化，并且根據(jù)上個時間段的最優(yōu)解生成下個時間段的新樣本對應參數(shù)的初始可行解，以達到加速的目的。

2.3 主要思想

??作者的文章是基于前人的粗糙模糊SVDD而作的，前人的工作只適用于靜態(tài)數(shù)據(jù)，作者使之動態(tài)化，方式是根據(jù)上個時間段的最優(yōu)解生成下個時間段的新樣本對應參數(shù)的初始可行解，使模型不用在下個時間段從零開始計算參數(shù)值。
?? SVDD：將數(shù)據(jù)映射到高維空間，將正常數(shù)據(jù)包裹在球狀空間里，球狀空間外都是異常點。
?? 粗糙模糊SVDD：SVDD在判定異常點時是非此即彼，沒有隸屬度的概念。粗糙模糊SVDD可以計算樣本的異常程度，方式是通過核函數(shù)計算異常點和距離它最近支持向量的距離，公式為

image.png

?? 動態(tài)粗糙模糊SVDD：主要是利用上個時間段的最優(yōu)解生成下個時間段的新樣本對應參數(shù)的初始可行解，具體生成過程如下

image.png