An angle-based subspace anomaly detection approach to high-dimensional data: With an application to industrial fault detection

دقت تکنیک های تشخیص آنومالی سنتی که در فضاهای ابعادی کامل اجرا می شود، به طور قابل توجهی کاهش می یابد چون ابعاد آن افزایش می یابد و بنابراین بسیاری از برنامه های دنیای واقعی را مختل می کند. این کار روشی را برای انتخاب زیر فضای ویژگی معنی دار و انجام تشخیص آنومالی در طرح ریزی زیرمجموعه پیشنهاد می دهد. هدف این است که حفظ دقت تشخیص در شرایط با ابعاد بزرگ. رویکرد پیشنهادی زاویه بین تمام جفت دو خط را برای یک کاندیدا انحراف خاص ارزیابی می کند: خط اول با نقطه داده مربوطه و مرکز نقاط مجاور آن متصل می شود؛ خط دیگر یکی از خطوط محوری محور است. سپس ابعاد که دارای زاویه نسبتا کوچک با خط اول هستند، انتخاب می شوند تا زیرمجموعه موازی محور برای نامزد تعیین شود. بعد، یک فاصله عادی ماهالانوبیس برای اندازه گیری ابعاد محلی جسم در طرح ریزی زیرمجموعه معرفی شده است. برای جامع مقایسه الگوریتم پیشنهادی با چند تکنیک تشخیص آنومالی موجود، مجموعه داده های مصنوعی با تنظیمات مختلف با ابعاد مختلف ساختیم و الگوریتم دقت بالا را نمایش داد. یک آزمایش دیگر در یک مجموعه داده های صنعتی، کاربرد الگوریتم پیشنهاد شده در کارهای تشخیص گسل را نشان داد و یکی دیگر از شایستگی های آن را برجسته کرد، یعنی ارائه تفسیر اولیه از اختلال از طریق ویژگی های در زیر فضای مربوطه.