A model-based bayesian approach to anomaly detection via mixture models

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Barreto, Daniel Würzler
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal do Rio de Janeiro
Brasil
Instituto de Matemática
Programa de Pós-Graduação em Estatística
UFRJ
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inferência bayesiana
Método de Monte Carlo
Bayesian inference
Markov chain Monte Carlo
CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
Link de acesso: http://hdl.handle.net/11422/26592
Resumo: In this work, we present a Bayesian model-based approach to anomaly detection using mixture models. Our proposed method, called the filtering model, only requires us to specify a parametric model, that depends on an unknown θ, to describe the behavior of the typical data and uses the chosen model to determine the underlying distribution of the component of the mixture responsible for capturing anomalies. The method is able to simultaneously estimate the classification for each observation and θ, while taking the estimate of θ to be a convex combination of each possible estimate generated by a subsample. For this reason, it can also be used for robust parameter estimation. We consider estimation using Markov chain Monte Carlo techniques, and in particular the Metropolis-Hastings algorithm, and present applications for chemical, health and demographic data.
id UFRJ_fc14e6114ce0f64d9dd55bca3bec5dac
oai_identifier_str oai:pantheon.ufrj.br:11422/26592
network_acronym_str UFRJ
network_name_str Repositório Institucional da UFRJ
repository_id_str
spelling A model-based bayesian approach to anomaly detection via mixture modelsInferência bayesianaMétodo de Monte CarloBayesian inferenceMarkov chain Monte CarloCNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICAIn this work, we present a Bayesian model-based approach to anomaly detection using mixture models. Our proposed method, called the filtering model, only requires us to specify a parametric model, that depends on an unknown θ, to describe the behavior of the typical data and uses the chosen model to determine the underlying distribution of the component of the mixture responsible for capturing anomalies. The method is able to simultaneously estimate the classification for each observation and θ, while taking the estimate of θ to be a convex combination of each possible estimate generated by a subsample. For this reason, it can also be used for robust parameter estimation. We consider estimation using Markov chain Monte Carlo techniques, and in particular the Metropolis-Hastings algorithm, and present applications for chemical, health and demographic data.Neste trabalho, apresentamos uma abordagem baseada em modelo bayesiano para detecção de anomalias utilizando modelos de mistura. Nosso método proposto, chamado de modelo de filtragem, requer apenas que se especifique um modelo paramétrico, dependente de um parâmetro desconhecido θ, para descrever o comportamento dos dados típicos, e utiliza o modelo escolhido para determinar a distribuição subjacente do componente da mistura responsável por capturar as anomalias. O método é capaz de estimar simultaneamente a classificação de cada observação e o valor de θ, considerando a estimativa de θ como uma combinação convexa de cada possível estimativa gerada por uma subamostra. Por essa razão, ele também pode ser utilizado para estimação robusta de parâmetros. Consideramos a estimação utilizando técnicas de Cadeia de Markov Monte Carlo, em particular o algoritmo de Metropolis-Hastings, e apresentamos aplicações para dados químicos, de saúde e demográficos.Universidade Federal do Rio de JaneiroBrasilInstituto de MatemáticaPrograma de Pós-Graduação em EstatísticaUFRJPaez, Marina Silva Paezhttp://lattes.cnpq.br/2476843545735678http://lattes.cnpq.br/9438984255024825Alves, Mariane Brancohttp://lattes.cnpq.br/1987242780052818Pagani Zanini, Carlos Tadeuhttp://lattes.cnpq.br/9272277541388166Israel, Vinicius Pinheirohttp://lattes.cnpq.br/6305743866339870Barreto, Daniel Würzler2025-08-07T20:14:37Z2025-08-09T03:00:09Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/11422/26592enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJ2025-08-09T03:00:09Zoai:pantheon.ufrj.br:11422/26592Repositório InstitucionalPUBhttp://www.pantheon.ufrj.br/oai/requestpantheon@sibi.ufrj.bropendoar:2025-08-09T03:00:09Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv A model-based bayesian approach to anomaly detection via mixture models
title A model-based bayesian approach to anomaly detection via mixture models
spellingShingle A model-based bayesian approach to anomaly detection via mixture models
Barreto, Daniel Würzler
Inferência bayesiana
Método de Monte Carlo
Bayesian inference
Markov chain Monte Carlo
CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
title_short A model-based bayesian approach to anomaly detection via mixture models
title_full A model-based bayesian approach to anomaly detection via mixture models
title_fullStr A model-based bayesian approach to anomaly detection via mixture models
title_full_unstemmed A model-based bayesian approach to anomaly detection via mixture models
title_sort A model-based bayesian approach to anomaly detection via mixture models
author Barreto, Daniel Würzler
author_facet Barreto, Daniel Würzler
author_role author
dc.contributor.none.fl_str_mv Paez, Marina Silva Paez
http://lattes.cnpq.br/2476843545735678
http://lattes.cnpq.br/9438984255024825
Alves, Mariane Branco
http://lattes.cnpq.br/1987242780052818
Pagani Zanini, Carlos Tadeu
http://lattes.cnpq.br/9272277541388166
Israel, Vinicius Pinheiro
http://lattes.cnpq.br/6305743866339870
dc.contributor.author.fl_str_mv Barreto, Daniel Würzler
dc.subject.por.fl_str_mv Inferência bayesiana
Método de Monte Carlo
Bayesian inference
Markov chain Monte Carlo
CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
topic Inferência bayesiana
Método de Monte Carlo
Bayesian inference
Markov chain Monte Carlo
CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
description In this work, we present a Bayesian model-based approach to anomaly detection using mixture models. Our proposed method, called the filtering model, only requires us to specify a parametric model, that depends on an unknown θ, to describe the behavior of the typical data and uses the chosen model to determine the underlying distribution of the component of the mixture responsible for capturing anomalies. The method is able to simultaneously estimate the classification for each observation and θ, while taking the estimate of θ to be a convex combination of each possible estimate generated by a subsample. For this reason, it can also be used for robust parameter estimation. We consider estimation using Markov chain Monte Carlo techniques, and in particular the Metropolis-Hastings algorithm, and present applications for chemical, health and demographic data.
publishDate 2023
dc.date.none.fl_str_mv 2023
2025-08-07T20:14:37Z
2025-08-09T03:00:09Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11422/26592
url http://hdl.handle.net/11422/26592
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto de Matemática
Programa de Pós-Graduação em Estatística
UFRJ
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto de Matemática
Programa de Pós-Graduação em Estatística
UFRJ
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRJ
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Repositório Institucional da UFRJ
collection Repositório Institucional da UFRJ
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv pantheon@sibi.ufrj.br
_version_ 1861279129711673344

Registros relacionados