تشخیص ناهنجاری به روش ماشین بردار پشتیبان یک کلاسه با قیود احتمالی استوار توزیعی

تشخیص ناهنجاری مساله یافتن داده هایی است که از الگوی اکثریت پیروی نمی کنند. در میان انواع روش های پیشنهادی، روش های مرزی ازجمله ماشین بردار پشتیبان (SVM) یک کلاسه به عنوان روش هایی موثر و پیشرو به کار گرفته می شوند. روش SVM یک کلاسه در پی یافتن مرز تصمیم برای تشخیص داده های ناهنجار است. از طرف دیگر اکثر کاربردهای دنیای واقعی درجه ای از عدم قطعیت را در برمی گیرند. به دلیل مشخص نبودن توزیع احتمال واقعی هر داده و دشوار و پرهزینه بودن تخمین آن، در این مطالعه توزیع خاصی روی داده ها فرض نمی شود و یک مدل غیرخطی مبتنی بر کرنل به عنوان تعمیم SVM استاندارد از طریق رویکرد بهینه سازی استوار توزیعی برای برخورد با عدم قطعیت معرفی می شود به طوریکه در تمام توزیع های ممکن، عملکرد مناسبی از لحاظ معیارهای مختلف ارزیابی داشته و قادر به دسته بندی مجموعه داده های مبدا - جدایی ناپذیر باشد. نتایج محاسباتی، استواری مدل پیشنهادی روی توزیع احتمال های مختلف و نیز برتری این مدل نسبت به مدل SVM یک کلاسه استاندارد را تایید می کند.

کلیدواژه ها:

تشخیص ناهنجاری ، ماشین بردار پشتیبان یک کلاسه ، عدم قطعیت ، قیود احتمالی استوار توزیعی ، مدل مبتنی بر کرنل