تشخیص ناهنجاری به روش ماشین بردار پشتیبان یک کلاسه با قیود احتمالی استوار توزیعی

تشخیص ناهنجاری مساله یافتن داده‌هایی است که از الگوی اکثریت پیروی نمی‌کنند. در میان انواع روش‌های پیشنهادی، روش‌های مرزی ازجمله ماشین بردار پشتیبان (svm) یک کلاسه به‌عنوان روش‌هایی موثر و پیشرو به‌کار گرفته می‌شوند. روش svm یک کلاسه در پی یافتن مرز تصمیم برای تشخیص داده‌های ناهنجار است. از طرف دیگر اکثر کاربردهای دنیای واقعی درجه‌ای از عدم قطعیت را در برمی‌گیرند. به دلیل مشخص نبودن توزیع احتمال واقعی هر داده و دشوار و پرهزینه بودن تخمین آن، در این مطالعه توزیع خاصی روی داده‌ها فرض نمی‌شود و یک مدل غیرخطی مبتنی بر کرنل به‌عنوان تعمیم svm استاندارد از طریق رویکرد بهینه‌سازی استوار توزیعی برای برخورد با عدم قطعیت معرفی می‌شود به‌طوریکه در تمام توزیع‌های ممکن، عملکرد مناسبی از لحاظ معیارهای مختلف ارزیابی داشته و قادر به دسته‌بندی مجموعه داده‌های مبدا - جدایی‌ناپذیر باشد. نتایج محاسباتی، استواری مدل پیشنهادی روی توزیع احتمال‌های مختلف و نیز برتری این مدل نسبت به مدل svm یک کلاسه استاندارد را تایید می‌کند.