상관 자료에서 특이점 탐지

전문가 제언

○ 분리자는 자료의 오류이거나 시스템의 이상한 행동에서 발생한다. 전통적으로 표준 편차가 분리자를 식별하나 최근에는 자료가 상관성을 가져서 개별적인 분리자의 발견에 더해서 이들의 편향 구조를 발견할 수도 있다. 본 논문에서는 지리 도로 자료에 상관 빈번 형태 마이너를 적용하여 자동적으로 규칙을 찾아내는 방법을 연구한다.

○ 방법은 분리자 탐지와 공간 규칙 마이닝의 두 가지인데 분리자 탐지는 우선 학습에 감독의 유무로 분리한다. 공간 규칙 마이닝은 SDM의 기계 학습 접근 방법으로 규칙 학습에 따라서 네 가지로 접근할 수 있다. 특징 규칙은 공간 객체의 특징을 찾으며, 분류 규칙은 감독 분류에 의한 규칙의 발견, 연관 규칙은 빈번한 공간 형태의 발견 그리고 추세 규칙은 객체의 공간 특성이 아닌 것의 변화 형태를 찾는 것이다.

○ Outlier detection은 상대적으로 큰 분야로 ScienceDirect에서 검색한 결과 4,916편의 저널 논문이 나왔다. outlier detection의 기법으로 사용되는 spatial data mining에는 4,527편 그리고 spatial rule mining에는 2,521편의 논문이 검색되어 주제인 outlier detection과 같은 크기를 가진 분야이다. 그러나 outlier detection 중에서 relational data에 관한 것은 286편으로서 3편의 내국인 논문이 있었으나 모두 일반적인 data mining에 관한 것이었다.

○ Outlier detection의 spatial rule mining에서 찾으려고 하는 네 개의 규칙인 characteristic rule, classification rule, association rule 그리고 trend rule에 대해서 검색을 한 결과 각각 1,000편의 논문이 검색되어 이러한 규칙들이 같은 중요성이 있음이 입증되었다. 그러나 spatial rule mining에서 분야를 geographical data로 축소한 결과 15편의 내국인 논문을 찾았다. 따라서 결론은 spatial rule mining이 적용되는 분야를 보면 geographical data가 relational data 보다 국내 활동이 활발함을 알 수 있다.

저자

Joris Maervoet, Celine Vens, Greet Vanden Berghe, Hendrik Blockeel, Patrick De Gausmaecker

자료유형

학술정보

원문언어

영어

기업산업분류

정보통신

연도

2012

권(호)

39(5)

잡지명

Expert Systems with Applications

과학기술
표준분류

정보통신

페이지

4718~4728

분석자

김*창

분석물

• 상관 자료에서 특이점 탐지.pdf [307,888 byte]

이미지변환중입니다.