Density Clustering Framework in unüberwachten Daten

Die Erkennung von Anomalien ist ein grundlegendes Thema im Data Mining, insbesondere wurde sie zur Erkennung und Entfernung anomaler Objekte aus Daten verwendet. Ausreißer entstehen durch mechanische Defekte, Änderungen im Systemverhalten, betrügerisches Verhalten, Netzwerkeinbrüche oder menschliches Versagen. Eine effiziente Ausreißererkennung und Datenclusterung bei Vorhandensein von Ausreißern und basierend auf der Filterung der Daten nach dem Clustering-Prozess. Der vorgeschlagene Algorithmus erkennt die Ausreißer in drei Stufen, nämlich (i) Saliency Detection in Bildern; (ii) Abnormal Event Detection in Video Streams; und (iii) Real-world UCI benchmark datasets.The Hauptziel dieser Studie ist eine iterative Entfernung von Objekten, die weit von ihren Cluster-Zentren entfernt sind. Die Entfernung erfolgt nach einem ausgewählten, vordefinierten Schwellenwert.Der formale Rahmen, in dem genaue Definitionen von spärlichen Kombinationen gegeben werden können, und Fuzzy-Logik wird vorgeschlagen, um nicht-lineare Beziehungen zu entdecken, kann rigoros analysiert werden.