Vliv ztrátové funkce na detekci anomálií

Abstract

Detekce anomálií zaznamenává uplatnění v mnohých oborech moderní datové analýzy. Diplomová práce pojednává o několika metodách strojového učení právě pro tuto detekci. V práci jsou podrobně rozebrány modely odhadující hustotu pravděpodobnosti - konkrétně modely využívající transformaci náhodné veličiny a modely s grafovou reprezentací. Poté následuje popis jejich využití při klasifikaci anomálií. Dále je představena modifikace samotného procesu učení jednotlivých metod pomocí úpravy tzv. ztrátové funkce. Zda-li tato úprava přinesla pozitivní výsledky je vyhodnoceno v rozsáhlé výpočetní studii, kde jsme modifikaci provedli pro několik představitelů zmíněných modelů odhadujících hustotu pravděpodobnosti.

Anomaly detection finds use in many fields of the modern data analysis. Master thesis deals with several machine learning methods in this regard. In the first place, we summarize several methods for probability density estimation in detail - specifically models using the transformation of a random variable and the probabilistic graphical models. Afterwards, we describe their use in anomaly classification. Furthermore, we present the modification of the learning process of each method by modifying the so-called loss function. Whether this adjustment brought positive results is evaluated in an extensive computational study, where we performed the modification for several representatives of the mentioned models for probability density estimation.