Deutsch
 
Benutzerhandbuch Datenschutzhinweis Impressum Kontakt
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
  Maximally divergent intervals for anomaly detection

Rodner, E., Barz, B., Guanche, Y., Flach, M., Mahecha, M. D., Bodesheim, P., et al. (2016). Maximally divergent intervals for anomaly detection. In ICML 2016 Anomaly Detection Workshop. doi:10.17871/BACI_ICML2016_Rodner.

Item is

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: http://hdl.handle.net/11858/00-001M-0000-002B-4F5E-B Versions-Permalink: http://hdl.handle.net/11858/00-001M-0000-002B-57D4-2
Genre: Konferenzbeitrag

Dateien

einblenden: Dateien
ausblenden: Dateien
:
BGC2496.pdf (Verlagsversion), 384KB
Name:
BGC2496.pdf
Beschreibung:
Best paper award at ICML Anomaly Detection Workshop 2016
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Copyright Datum:
-
Copyright Info:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
http://dx.doi.org/10.17871/BACI_ICML2016_Rodner (beliebiger Volltext)
Beschreibung:
OA

Urheber

einblenden:
ausblenden:
 Urheber:
Rodner, Erik1, 2, Autor
Barz, Björn1, Autor
Guanche, Yanira1, Autor
Flach, Milan3, Autor              
Mahecha, Miguel D.2, 3, 4, Autor              
Bodesheim, Paul3, Autor              
Reichstein, Markus2, 3, Autor              
Denzler, Joachim1, 2, Autor
Affiliations:
1Computer Vision Group, Friedrich Schiller University of Jena, Germany, ou_persistent22              
2Michael Stifel Center for Data-driven and Simulation Science, Jena, Germany, ou_persistent22              
3Department Biogeochemical Integration, Dr. M. Reichstein, Max Planck Institute for Biogeochemistry, Max Planck Society, ou_1688139              
4Empirical Inference of the Earth System, Dr. Miguel D. Mahecha, Department Biogeochemical Integration, Dr. M. Reichstein, Max Planck Institute for Biogeochemistry, Max Planck Society, ou_1938312              

Inhalt

einblenden:
ausblenden:
Schlagwörter: Biosphere Atmosphere Change Index; Machine Learning for Environmental Data
 Zusammenfassung: We present new methods for batch anomaly detection in multivariate time series. Our methods are based on maximizing the Kullback-Leibler divergence between the data distribution within and outside an interval of the time series. An empirical analysis shows the benefits of our algorithms compared to methods that treat each time step independently from each other without optimizing with respect to all possible intervals.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 20162016
 Publikationsstatus: Online publiziert
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Expertenbegutachtung
 Identifikatoren: DOI: 10.17871/BACI_ICML2016_Rodner
Anderer: BGC2496
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: ICML 2016 Anomaly Detection Workshop
Veranstaltungsort: New York (USA)
Start-/Enddatum: 2016-06-19 - 2016-06-24

Entscheidung

einblenden:

Projektinformation

einblenden: ausblenden:
Projektname : BACI
Grant ID : 640176
Förderprogramm : Horizon 2020 (H2020)
Förderorganisation : European Commission (EC)

Quelle 1

einblenden:
ausblenden:
Titel: ICML 2016 Anomaly Detection Workshop
Genre der Quelle: Konferenzband
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: - Identifikator: URI: https://sites.google.com/site/icmlworkshoponanomalydetection/