Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A Minimum Spanning Tree Clustering Approach for Outlier Detection in Event Sequences
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Högskolan i Jönköping, Tekniska Högskolan, JTH, Datateknik och informatik, JTH, Jönköping AI Lab (JAIL). Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.ORCID-id: 0000-0002-0535-1761
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Visa övriga samt affilieringar
2018 (Engelska)Ingår i: The 17th IEEE International Conference on Machine Learning and Applications Special Session on Machine Learning Algorithms, Systems and Applications, IEEE, 2018Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Outlier detection has been studied in many domains. Outliers arise due to different reasons such as mechanical issues, fraudulent behavior, and human error. In this paper, we propose an unsupervised approach for outlier detection in a sequence dataset. The proposed approach combines sequential pattern mining, cluster analysis, and a minimum spanning tree algorithm in order to identify clusters of outliers. Initially, the sequential pattern mining is used to extract frequent sequential patterns. Next, the extracted patterns are clustered into groups of similar patterns. Finally, the minimum spanning tree algorithm is used to find groups of outliers. The proposed approach has been evaluated on two different real datasets, i.e., smart meter data and video session data. The obtained results have shown that our approach can be applied to narrow down the space of events to a set of potential outliers and facilitate domain experts in further analysis and identification of system level issues.

Ort, förlag, år, upplaga, sidor
IEEE, 2018.
Nyckelord [en]
Clustering, Minimum spanning tree, Outlier detection, Sequential pattern mining
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:hj:diva-42988OAI: oai:DiVA.org:hj-42988DiVA, id: diva2:1288956
Konferens
IEEE International Conference on Machine Learning and Applications, ICMLA, Orlando
Forskningsfinansiär
KK-stiftelsen, 20140032Tillgänglig från: 2018-10-09 Skapad: 2019-02-15 Senast uppdaterad: 2019-08-20Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Personposter BETA

Lavesson, Niklas

Sök vidare i DiVA

Av författaren/redaktören
Lavesson, Niklas
Av organisationen
JTH, Jönköping AI Lab (JAIL)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 414 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf