Advances in Streaming Novelty Detection

Resumen

En primer lugar, en esta tesis se aborda un problema de confusión entre términos y problemas en el cualel mismo término es utilizado para referirse a diferentes problemas y, de manera similar, el mismoproblema es llamado con diferentes términos indistintamente. Esto motiva una dificultad de avance en elcampo de conocimiento dado que es difícil encontrar literatura relacionada y propicia la repetición detrabajos. En la primera contribución se propone una asignación individual de términos a problemas y unaformalización de los escenarios de aprendizaje para tratar de estandarizar el campo.En segundo lugar, se aborda el problema de Streaming Novelty Detection. En este problema, partiendo deun conjunto de datos supervisado, se aprende un modelo. A continuación, el modelo recibe nuevasinstancias no etiquetadas para predecir su clase de manera online o en stream. El modelo debeactualizarse para hacer frente al concept-drift. En este escenario de clasificación, se asume que puedensurgir nuevas clases de forma dinámica. Por lo tanto, el modelo debe ser capaz de descubrir nuevas clasesde manera automática y sin supervisión. En este contexto, esta tesis propone 2 contribuciones. En primerlugar una solución basada en mixturas de Guassianas donde cada clase en modelada con una de lascomponentes de la mixtura. En segundo lugar, se propone el uso de redes neuronales, tales como lasredes Autoencoder, y las redes Deep Support Vector Data Description para trabajar con seriestemporales.