A Method Non-Deterministic and Computationally Viable for Detecting Outliers in Large Datasets

Empreu sempre aquest identificador per citar o enllaçar aquest ítem http://hdl.handle.net/10045/106950
Información del item - Informació de l'item - Item information
Títol: A Method Non-Deterministic and Computationally Viable for Detecting Outliers in Large Datasets
Autors: Fernández Oliva, Alberto | Maciá Pérez, Francisco | Berna-Martinez, Jose Vicente | Abreu Ortega, Miguel
Grups d'investigació o GITE: GrupoM. Redes y Middleware
Centre, Departament o Servei: Universidad de Alicante. Departamento de Tecnología Informática y Computación
Paraules clau: Outliers | Rough sets (RS) | RS basic model (RSBM) | Variable precision rough set model (VPRSM) | Data set | Data mining
Àrees de coneixement: Arquitectura y Tecnología de Computadores
Data de publicació: de maig-2020
Editor: Institute of Information Science, Academia Sinica
Citació bibliogràfica: Journal of Information Science and Engineering. 2020, 36(3): 671-685. doi:10.6688/JISE.202005_36(3).0012
Resum: This paper presents an outlier detection method that is based on a Variable Precision Rough Set Model (VPRSM). This method generalizes the standard set inclusion relation, which is the foundation of the Rough Sets Basic Model (RSBM). The main contribution of this research is an improvement in the quality of detection because this generalization allows us to classify when there is some degree of uncertainty. From the proposed method, a computationally viable algorithm for large volumes of data is also introduced. The experiments performed in a real scenario and a comparison of the results with the RSBM-based method demonstrate the efficiency of both the method and the algorithm in diverse contexts that involve large volumes of data.
Patrocinadors: This work has been supported by grant TIN2016-78103-C2-2-R, and University of Alicante projects GRE14-02 and Smart University.
URI: http://hdl.handle.net/10045/106950
ISSN: 1016-2364
DOI: 10.6688/JISE.202005_36(3).0012
Idioma: eng
Tipus: info:eu-repo/semantics/article
Drets: © Institute of Information Science, Academia Sinica
Revisió científica: si
Versió de l'editor: https://doi.org/10.6688/JISE.202005_36(3).0012
Apareix a la col·lecció: INV - GrupoM - Artículos de Revistas

Arxius per aquest ítem:
Arxius per aquest ítem:
Arxiu Descripció Tamany Format  
ThumbnailFernandez-Oliva_etal_2020_JISE.pdf411,88 kBAdobe PDFObrir Vista prèvia


Tots els documents dipositats a RUA estan protegits per drets d'autors. Alguns drets reservats.