یک رویکرد جدید مبتنی بر یادگیری افزایشی برای تشخیص داده های پَرت در جریان داده ها

با توجه به تحولات اخیر در علم داده کاوی، شناسایی داده های پرت به یکی از موضوعات پر اهمیت تبدیل شده است. شناسایی این داده ها در برنامه های کاربردی مختلف مانند سیستم تشخیص نفوذ، شبکه های حسگر و تشخیص جعل در کارت های اعتباری که داده ها در قالب جریان داده هستند، اهمیت به سزایی دارد. تشخیص داده پرت در داده های جریانی که به سرعت در حال تولید شدن هستند و ویژگی های خاصی نظیر نامحدود بودن و گذرا بودن را دارند، در مقایسه با داده های ایستا چالش های بیشتری نیز دارد. در این مقاله از یک الگوریتم جدید طبقه بندی که بر مبنای محاسبات کوانتوم کار می کند و سرعت بیشتری نسبت به الگوریتم های دیگر دارد، به صورت یادگیری افزایشی برای تشخیص داده های پرت استفاده شده است. نتایج به دست آمده از اجرای الگوریتم پیشنهادی بر روی مجموعه داده های استاندارد نشان می دهد که الگوریتم پیشنهادی دقت عملکرد بهتری نسبت به روش های دیگر دارد .

کلیدواژه ها:

تشخیص داده پرت ، یادگیری با ناظر ، یادگیری آنلاین ، داده کاوی ، جریان داده ، یادگیری افزایشی .