Dissertação

Robust Anomaly Detection with Variational Autoencoders EVALUATED

Detectar correctamente anomalias é um recurso precioso num mundo orientado pelos dados. Detectores de anomalias efi cientes podem prevenir falhas créticas em maquinaria pesada, revelar esquemas de fraude de crédito ou até mesmo assistir um médico na análise de imagens de testes realizados a pacientes. Os dados abundam mas, infelizmente, o mesmo não pode ser dito no que diz respeito a dados rotulados. Mesmo quando existem mecanismos para rotular automaticamente os dados, é difícil garantir a sua e ficiência, como é o caso de dados relativos a cibersegurança, onde os atacantes agem de modo a contornar estas técnicas de rotulagem automática. Estas circunstâncias forçam a que os métodos de detecção de anomalias sejam abordagens não supervisionadas. Adicionalmente, implicam também que não é possível garantir que o conjunto de dados de treino não está contaminado. Nesta tese, desenhamos e testamos uma nova abordagem robusta e profunda para detecção de anomalias. O método proposto baseia-se em autocodi cadores variacionais, modelando a sua distribuição posterior aproximada como uma mistura de duas distribuições gaussianas, uma correspondendo à componente anómala e a restante à componente regular. Através de análise experimental, demonstramos que o método proposto supera os resultados obtidos por autocodi cadores convencionais e florestas de isolamento, sendo até capaz de discernir entre anomalias que são bastante semelhantes à classe regular. Assim, a nossa abordagem fornece uma alternativa ao autocodi cador variacional, fácil de implementar e de calibrar, e produzindo resultados apreciáveis.
Aprendizagem Profunda, Redes Neuronais, Inferência Variacional, Detecção de Anomalias, Mistura de Gaussianas

Abril 8, 2021, 16:30

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Maria do Rosário De Oliveira Silva

Departamento de Matemática (DM)

Professor Associado

ORIENTADOR

Mário Alexandre Teles de Figueiredo

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático