Universidad de Burgos RIUBU Principal Default Universidad de Burgos RIUBU Principal Default
  • español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
Universidad de Burgos RIUBU Principal Default
  • Ayuda
  • Contactez-nous
  • Faire parvenir un commentaire
  • Acceso abierto
    • Archivar en RIUBU
    • Acuerdos editoriales para la publicación en acceso abierto
    • Controla tus derechos, facilita el acceso abierto
    • Sobre el acceso abierto y la UBU
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Parcourir

    Tout RIUBUCommunautés & CollectionsPar date de publicationAuteursTitresSujetsCette collectionPar date de publicationAuteursTitresSujets

    Mon compte

    Ouvrir une sessionS'inscrire

    Statistiques

    Statistiques d'usage de visualisation

    Compartir

    Voir le document 
    •   Accueil de RIUBU
    • E-Prints
    • Untitled
    • Untitled
    • Artículos ADMIRABLE
    • Voir le document
    •   Accueil de RIUBU
    • E-Prints
    • Untitled
    • Untitled
    • Artículos ADMIRABLE
    • Voir le document

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

    Título
    Combining univariate approaches for ensemble change detection in multivariate data
    Autor
    Faithfull, William J. .
    Rodríguez Diez, Juan JoséAutoridad UBU
    Kuncheva, Ludmila I. .
    Publicado en
    Information Fusion. 2019, V. 45, p. 202-214
    Editorial
    Elsevier
    Fecha de publicación
    2019-01
    ISSN
    1566-2535
    DOI
    10.1016/j.inffus.2018.02.003
    Résumé
    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.
    Materia
    Computer science
    Informática
    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
    Attribution-NonCommercial-NoDerivatives 4.0 International
    Documento(s) sujeto(s) a una licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International
    Fichier(s) constituant ce document
    Nombre:
    Faithfull-IF_2019.pdf
    Tamaño:
    4.882Mo
    Formato:
    Adobe PDF
    Thumbnail
    Voir/Ouvrir

    Métricas

    Citas

    Academic Search
    Ver estadísticas de uso

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis
    Afficher la notice complète