Feature space reduction as data preprocessing for the anomaly detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140623" target="_blank" >RIV/00216305:26220/21:PU140623 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.fekt.vut.cz/conf/EEICT/archiv/sborniky/EEICT_2021_sbornik_1.pdf" target="_blank" >https://www.fekt.vut.cz/conf/EEICT/archiv/sborniky/EEICT_2021_sbornik_1.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Feature space reduction as data preprocessing for the anomaly detection

Popis výsledku v původním jazyce

In this paper, we present two pipelines in order to reduce the feature space for anomaly detection using the One Class SVM. As a first stage of both pipelines, we compare the performance of three convolutional autoencoders. We use the PCA method together with t-SNE as the first pipeline and the reconstruction errors based method as the second. Both methods have potential for the anomaly detection, but the reconstruction error metrics prove to be more robust for this task. We show that the convolutional autoencoder architecture doesn't have a significant effect for this task and we prove the potential of our approach on the real world dataset.

Název v anglickém jazyce

Feature space reduction as data preprocessing for the anomaly detection

Popis výsledku anglicky

In this paper, we present two pipelines in order to reduce the feature space for anomaly detection using the One Class SVM. As a first stage of both pipelines, we compare the performance of three convolutional autoencoders. We use the PCA method together with t-SNE as the first pipeline and the reconstruction errors based method as the second. Both methods have potential for the anomaly detection, but the reconstruction error metrics prove to be more robust for this task. We show that the convolutional autoencoder architecture doesn't have a significant effect for this task and we prove the potential of our approach on the real world dataset.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20202 - Communication engineering and systems

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings I of the 27th Conference STUDENT EEICT 2021

ISBN

978-80-214-5942-7

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

415-419

Název nakladatele

Vysoké učené Technické, Fakulta elektrotechniky a komunikačních technologií

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

27. 4. 2021

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—