تشخیص داده های پرت در داده های جریانی با استفاده از مدل مبتنی بر QLattice و یادگیری آنلاین

تشخیص داده های پرت در جریان داده (داده های جریانی)، که ویژگی های خاصی نظیر نامحدود بودن و گذرا بودن را دارند، چالش های زیادی دارد. برای این منظور، در این پژوهش، یک رویکرد مبتنی بر مدل طبقه بندی QLattice، که بر مبنای محاسبات کوانتوم کار می کند و در کاربرد مورد هدف عملکرد بهتری نسبت به دیگر روش های طبقه بندی دارد، معرفی می کنیم. با توجه به امکان تغییر توزیع داده ها در طول زمان در داده های جریانی، طرحی برای بهره گیری از یادگیری افزایشی آنلاین نیز در روش پیشنهادی ارایه می شود. با توجه به نامحدود بودن جریان داده ها و حافظه ی پردازشی محدود، فرآیند تشخیص بر روی پنجره ای از داده ها که همواره با داده های نمونه برداری شده از پنجره های قبلی به روزرسانی می شود، اعمال می گردد. تابعی نیز برای حل مشکل نامتوازن بودن داده ها طراحی شده که از روش نمونه برداری برای حل این مشکل بهره می گیرد. نتایج آزمایشات نشان می دهد که رویکرد پیشنهادی دقت عملکرد بهتری نسبت به روش های دیگر دارد.