Details

Данная диссертационная работа посвящена разработке методов машинного обучения для обнаружения аномальных данных с использованием моделей внимания. Научная новизна работы состоит в разработке метода изоляционного леса с механизмом внимания (ИЛМВ), в котором адаптивное взвешивание деревьев ансамбля реализовано через регрессию Надарая—Ватсона с моделью ε-загрязнения Хьюбера и сведено к задаче выпуклого квадратичного программирования с гарантией глобального оптимума. Также в работе разработан метод изоляционного леса с обучаемыми функциями оценки внимания (ИЛМВФО) на основе масштабированного скалярного произведения и аддитивного внимания, оптимизируемых градиентными методами совместно с порогом принятия решения; и метод полуконтролируемого обнаружения аномалий на основе автоэнкодера с нейронным лесом внимания (АОАНЛВ) и его многоголовая модификация, объединяющие автоэнкодер и нейронный лес внимания с регуляризацией через модель ε-загрязнения. Экспериментальные исследования на десяти открытых эталонных наборах данных показали повышение F1-меры в среднем на 4,74 % для ИЛМВ и на 21 % для ИЛМВФО относительно классических аналогов, а также устойчивость к загрязнению обучающей выборки аномалиями до 50 %. Полученные результаты подтверждают эффективность предложенных решений для их практического применения в системах информационной безопасности, противодействия финансовому мошенничеству, мониторинга промышленного оборудования и медицинской диагностики.

• Общая характеристика работы
  • Актуальность
  • Разработанность темы
  • Цели
  • Задачи
  • Объект исследования
  • Предмет исследования
  • Методология и методы исследования
  • Научная новизна
  • Теоретическая значимость
  • Практическая значимость
  • Положения, выносимые на защиту
  • Достоверность
  • Апробация
  • Публикации
  • Личный вклад
  • Соответствие паспорту специальности
• Содержание работы