...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International Journal of Pattern Recognition and Artificial Intelligence >Outlier Detection in the Framework of Dimensionality Reduction
【24h】

Outlier Detection in the Framework of Dimensionality Reduction

机译：降维框架中的异常值检测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose an er effective outlier detection algorithm for high-dimensional data. We consider manifold models of data as is typically assumed in dimensionality reduction/manifold learning. Namely, we consider a noisy data set sampled from a low-dimensional manifold in a high-dimensional data space. Our algorithm uses local geometric structure to determine inliers, from which the outliers are identified. The algorithm is applicable to both linear and nonlinear models of data. We also discuss various implementation issues and we present several examples to demonstrate the effectiveness of the new approach.
机译：我们提出了一种有效的高维数据离群值检测算法。我们考虑了降维/流形学习中通常假设的数据流形模型。即，我们考虑从高维数据空间中的低维流形采样的噪声数据集。我们的算法使用局部几何结构来确定离群值，从中识别出离群值。该算法适用于线性和非线性数据模型。我们还将讨论各种实施问题，并提供一些示例来证明新方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号