Autonomous anomaly detection

In this paper, a new approach for autonomous anomaly detection is introduced within the Empirical Data Analytics (EDA) framework. This approach is fully data-driven and free from thresholds. Employing the nonparametric EDA estimators, the proposed approach can autonomously detect anomalies in an objective way based on the mutual distribution and ensemble properties of the data. The proposed approach firstly identifies the potential anomalies based on two EDA criteria, and then, partitions them into shape-free, non-parametric data clouds. Finally, it identifies the anomalies in regards to each data cloud (locally). Numerical examples based on synthetic and benchmark datasets demonstrate the validity and efficiency of the proposed approach.

تشخیص آنومالی خودمختار

در این مقاله، یک رویکرد جدید برای تشخیص ناهنجاری مستقل در چارچوب تجزیه و تحلیل داده‌های تجربی (EDA)معرفی شده‌است. این رویکرد کاملا برگرفته از داده و عاری از آستانه است. با کارگیری the EDA nonparametric، رویکرد پیشنهادی می‌تواند به طور مستقل ناهنجاری‌ها را در یک روش عینی براساس توزیع متقابل و ویژگی‌های گروهی داده شناسایی کند. روش پیشنهادی ابتدا ناهنجاری‌های بالقوه براساس دو معیار EDA را شناسایی می‌کند و سپس آن‌ها را به ابره‌ای داده‌های غیر پارامتری تبدیل می‌کند. در نهایت، این امر بی قاعدگی‌ها را در رابطه با هر ابر داده مشخص می‌کند (به طور محلی). مثال‌های عددی براساس داده‌های ترکیبی و بنچ‌مارک‌های ترکیبی اعتبار و کارایی روش پیشنهادی را نشان می‌دهند.