Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
140
konferencja
Status:
Autorzy: Karczmarek Paweł, Kiersztyn Adam, Pedrycz Witold, Badurowicz Marcin, Czerwiński Dariusz, Montusiewicz Jerzy
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Strony: 1 - 8
Web of Science® Times Cited: 0
Scopus® Cytowania: 1
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Finansowanie: Funded by the National Science Centre, Poland under CHIST-ERA programme (Grant no. 2018/28/Z/ST6/00563).
Materiał konferencyjny: TAK
Nazwa konferencji: IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) 2021
Skrócona nazwa konferencji: FUZZ-IEEE 2021
URL serii konferencji: LINK
Termin konferencji: 11 lipca 2021 do 14 lipca 2021
Miasto konferencji: Virtual Conference
Państwo konferencji: LUKSEMBURG
Publikacja OA: NIE
Abstrakty: angielski
Capturing anomalies in data is one of the mostimportant problems in modern data analysis. In recent years,scientists have developed many interesting approaches. One ofthe leading is the Isolation Forest method, which is based onsearching a forest of binary trees. This method is extremelyeffective, especially in the case of relatively small databases.Despite of that, a lot of work has been done for years toimprove it. For instance, variants based on rotation or fuzzyvsets were developed. In this paper, we propose a very effectivemethod of building search trees based on grouping data using the K-Medoids method. The results of the conducted experimentssuggest a significant improvement in the quality of the methodin relation to the original Isolation Forest.