Детекция аномалий и робастные методы

Содержание лекции

• Задачи выявления аномалий. Эвристические методы выявления аномалий. Алгоритм LOWESS.
• Теория робастного обучения. Схема итерационного перевзвешивания объектов IRS.
• Робастные функции потерь. Метод наименьших модулей. Квантильная регрессия.
• Пример прикладной задачи: прогнозирование потребительского спроса.
• Семейство робастных агрегирующих функций.
• Итерационное перевзвешивание для произвольной агрегирующей функции. Алгоритм IR-ERM.
• Робастная регрессия. Робастная классификация. Робастная кластеризация.
• Выявление аномалий с помощью одноклассового SVM.
• Парадигмы обучения PU-Learning, One-Class Classification, Open-Set Recognition, Open-World Recognition.

Материалы

• Презентация Voron-ML-outliers.pdf (PDF, 1.8 МБ) — прикреплена к публикации.

Материалы курса © К. В. Воронцов. Текст и слайды распространяются по лицензии CC BY-SA 3.0 — на условиях этой лицензии они воспроизведены здесь без изменений. Видеозаписи размещены на YouTube и встроены по ссылке; их копии здесь не хранятся.