Bearbeite Vortrag: Detecting Outlying Time-Series with Global Alignment Kernels

Du bist aus dem folgenden Grund nicht berechtigt, diese Seite bearbeiten:

Diese Aktion ist auf Benutzer beschränkt, die der Gruppe „Benutzer“ angehören. Bitte melde dich an, um die Aktion durchzuführen.

Titel:	Um den Titel des Vortrags zu bearbeiten, bitte die Wiki-Seite verschieben. Die Wiki-Seite erreicht man, indem man in der Liste der Vorträge auf den Namen des Vortrags klickt. Dann auf dieser Seite oben auf `Mehr ▾`, dann auf `Verschieben` klicken.
Vortragende(r):
E-Mail Vortragende(r):		Bitte beachten Sie: Durch den Eintrag hier wird Ihre E-Mail-Adresse öffentlich sichtbar. Verwenden Sie daher Ihre KIT-E-Mail-Adresse.
Vortragstyp:
Betreuer(in):		Falls ein Betreuer noch nicht in dieser Liste vorhanden ist, bitte auf der Seite Betreuer hinzufügen und dieses Formular neu laden.
Termin:
Vortragsmodus:
Kurzfassung:	Using outlier detection algorithms, e.g., Support Vector Data Description (SVDD), for detecting outlying time-series usually requires extracting domain-specific attributes. However, this indirect way needs expert knowledge, making SVDD impractical for many real-world use cases. Incorporating "Global Alignment Kernels" directly into SVDD to compute the distance between time-series data bypasses the attribute-extraction step and makes the application of SVDD independent of the underlying domain. In this work, we propose a new time-series outlier detection algorithm, combining "Global Alignment Kernels" and SVDD. Its outlier detection capabilities will be evaluated on synthetic data as well as on real-world data sets. Additionally, our approach's performance will be compared to state-of-the-art methods for outlier detection, especially with regard to the types of detected outliers.	Bitte maximal 150 Wörter verwenden.

Diese Seite beobachten

Abbrechen