EMM-CLODS, An Effective Microcluster and Minimal Pruning CLustering-Based Technique for Detecting Outliers in Data Streams

CONTENIDO PARA USUARIOS REGISTRADOS

Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.

Descripción: Detectar valores atípicos en flujos de datos es un problema desafiante, ya que, en un escenario de flujo de datos, escanear los datos varias veces es inviable y los datos que llegan en streaming siguen evolucionando. A lo largo de los años, un enfoque común para la detección de valores atípicos es el uso de métodos basados en clustering, pero estos métodos tienen desafíos y limitaciones inherentes. Estos incluyen la capacidad de clusterizar eficazmente puntos de datos dispersos, lo cual está relacionado con la calidad de los métodos de clustering, la gestión de flujos de datos continuos de alta velocidad, el alto consumo de memoria y tiempo, y la falta de precisión en la detección de valores atípicos. Este artículo tiene como objetivo proponer un enfoque efectivo basado en clustering para detectar valores atípicos en flujos de datos en evolución. Proponemos un nuevo método llamado Método de Clustering basado en Microcluster Efectivo y Poda Mínima para la Detección de Valores Atípicos
Citación recomendada (normas APA)
: Hindawi, "EMM-CLODS, An Effective Microcluster and Minimal Pruning CLustering-Based Technique for Detecting Outliers in Data Streams", -:Revista VirtualPRO,, 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3848180/), el día 2025-07-03.

Información adicional