Universidad de Burgos Repositorio Repositorio
Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10259/4749

Ver estadísticas de uso
Título : Combining univariate approaches for ensemble change detection in multivariate data
Autor : Faithfull, William J. .
Rodríguez Diez, Juan José
Kuncheva, Ludmila I. .
Publicado en: Information Fusion. 2019, V. 45, p. 202-214
Editorial : Elsevier
Fecha de publicación : ene-2019
Fecha de disponibilidad: ene-2021
ISSN : 1566-2535
DOI: 10.1016/j.inffus.2018.02.003
Resumen : Detecting change in multivariate data is a challenging problem, especially when class labels are not available. There is a large body of research on univariate change detection, notably in control charts developed originally for engineering applications. We evaluate univariate change detection approaches —including those in the MOA framework — built into ensembles where each member observes a feature in the input space of an unsupervised change detection problem. We present a comparison between the ensemble combinations and three established ‘pure’ multivariate approaches over 96 data sets, and a case study on the KDD Cup 1999 network intrusion detection dataset. We found that ensemble combination of univariate methods consistently outperformed multivariate methods on the four experimental metrics.
Licencia: https://creativecommons.org/licenses/by-nc-nd/4.0/
URI : http://hdl.handle.net/10259/4749
Versión del editor: https://doi.org/10.1016/j.inffus.2018.02.003
Aparece en las colecciones: Artículos ADMIRABLE

Ficheros en este ítem:

Fichero Descripción Tamaño Formato
Faithfull-IF_2019.pdf5 MBAdobe PDFVisualizar/Abrir

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
Creative Commons

Los ítems del Repositorio Institucional de la Universidad de Burgos están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.

 

Valid XHTML 1.0! DSpace Software Copyright © 2002-2008 MIT and Hewlett-Packard - Sobre DSpace