Registro fonte: Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais

Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais

Outlying Aspect Mining (OAM) is a new way of handling outliers that, instead of focusing solely on the detection, also provides an explanation for the abnormal status. For this purpose, a subspace of attributes considered as the most relevant for understanding the sample outlying aspects is presente...

ver descrição completa

Autor principal:	Benghi, Felipe Marx
Formato:	Dissertação
Idioma:	Português
Publicado em:	Universidade Tecnológica Federal do Paraná 2021
Assuntos:	Locomotivas Localização de falhas (Engenharia) Analítica visual Interação homem-máquina Amostragem (Estatística) - Anomalias Árvores (Teoria dos grafos) Locomotives Fault location (Engineering) Visual analytics Human-computer interation Sampling (Statistics) - Abnormalities Trees (Graph theory) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação
Acesso em linha:	http://repositorio.utfpr.edu.br/jspui/handle/1/25358
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	riut-1-25358
recordtype	dspace
spelling	riut-1-253582021-06-23T06:04:06Z Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais Visual analytics and outlying aspect mining: contextualization of anomalies considering temporal and multidimensional issues Benghi, Felipe Marx Gomes Junior, Luiz Celso http://lattes.cnpq.br/0370301102971417 Santanche, Andre https://orcid.org/0000-0002-1756-4852 http://lattes.cnpq.br/5121623021406209 Gomes Junior, Luiz Celso http://lattes.cnpq.br/0370301102971417 Delgado, Myriam Regattieri de Biase da Silva https://orcid.org/0000-0002-2791-174X http://lattes.cnpq.br/4166922845507601 Locomotivas Localização de falhas (Engenharia) Analítica visual Interação homem-máquina Amostragem (Estatística) - Anomalias Árvores (Teoria dos grafos) Locomotives Fault location (Engineering) Visual analytics Human-computer interation Sampling (Statistics) - Abnormalities Trees (Graph theory) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação Outlying Aspect Mining (OAM) is a new way of handling outliers that, instead of focusing solely on the detection, also provides an explanation for the abnormal status. For this purpose, a subspace of attributes considered as the most relevant for understanding the sample outlying aspects is presented. There are many challenges associated with the application of OAM, such as combinatorial explosion of the search space and ability to compare metrics calculated for subspaces with different dimensionalities. Even só, listing a group of attributes is not sufficient for a human specialist to comprehend the situation and take the necessary actions. A higher-level, visual approach can improve the process by providing better cognitive clues to experts. Here we describe the application of an OAM technique in a fault detection problem for locomotives. Based on the experience obtained in this use case, we proposed and developed a Visual Analytics platform for the processing and representation of data in a user-friendly interface. A novelty available on this platform are parallel coordinates plots that also display temporal multidimensional data. Such representation tries to circumvent human visual system limitations and helps the outlier investigation. To explore and validate the applicability of the developed tool, the locomotive operation use case is employed again. Outlying Aspect Mining (OAM) é um novo método para o tratamento de anomalias que, em vez de focar somente na detecção, também fornece uma explicação para o estado anormal. Para tanto, é apresentado um subespaço com os atributos considerados mais relevantes para a compreensão dos aspectos excepcionais da amostra. Existem muitos desafios na aplicação de OAM, como a explosão combinatória do espaço de busca e a habilidade de se comparar métricas calculadas para subespaços com diferentes dimensionalidades. Ainda assim, listar um grupo de atributos não é o bastante para um especialista humano compreender a situação e tomar as medidas necessárias. Uma abordagem visual e de alto nível pode melhorar o processo e fornecer melhores indícios cognitivos para especialistas. Neste trabalho, descrevemos a aplicação de uma técnica de OAM em um problema de detecção de falhas em locomotivas. A partir da experiência adquirida neste caso de uso, propusemos e desenvolvemos uma plataforma de Análise Visual para processamento e apresentação de dados de forma amigável a humanos. Uma novidade disponível nesta plataforma são gráficos de coordenadas paralelas que exibem dados temporais multidimensionais. Esta representação busca contornar as limitações do sistema visual humano e ajuda na investigação de anomalias. Para explorar e validar a usabilidade da ferramenta desenvolvida, o caso de uso de operação de locomotivas é novamente empregado. 2021-06-22T22:26:39Z 2021-06-22T22:26:39Z 2020-11-17 masterThesis BENGHI, Felipe Marx. Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais. 2020. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2020. http://repositorio.utfpr.edu.br/jspui/handle/1/25358 por openAccess http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Tecnológica Federal do Paraná Curitiba Brasil Programa de Pós-Graduação em Computação Aplicada UTFPR
institution	Universidade Tecnológica Federal do Paraná
collection	RIUT
language	Português
topic	Locomotivas Localização de falhas (Engenharia) Analítica visual Interação homem-máquina Amostragem (Estatística) - Anomalias Árvores (Teoria dos grafos) Locomotives Fault location (Engineering) Visual analytics Human-computer interation Sampling (Statistics) - Abnormalities Trees (Graph theory) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação
spellingShingle	Locomotivas Localização de falhas (Engenharia) Analítica visual Interação homem-máquina Amostragem (Estatística) - Anomalias Árvores (Teoria dos grafos) Locomotives Fault location (Engineering) Visual analytics Human-computer interation Sampling (Statistics) - Abnormalities Trees (Graph theory) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação Benghi, Felipe Marx Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
description	Outlying Aspect Mining (OAM) is a new way of handling outliers that, instead of focusing solely on the detection, also provides an explanation for the abnormal status. For this purpose, a subspace of attributes considered as the most relevant for understanding the sample outlying aspects is presented. There are many challenges associated with the application of OAM, such as combinatorial explosion of the search space and ability to compare metrics calculated for subspaces with different dimensionalities. Even só, listing a group of attributes is not sufficient for a human specialist to comprehend the situation and take the necessary actions. A higher-level, visual approach can improve the process by providing better cognitive clues to experts. Here we describe the application of an OAM technique in a fault detection problem for locomotives. Based on the experience obtained in this use case, we proposed and developed a Visual Analytics platform for the processing and representation of data in a user-friendly interface. A novelty available on this platform are parallel coordinates plots that also display temporal multidimensional data. Such representation tries to circumvent human visual system limitations and helps the outlier investigation. To explore and validate the applicability of the developed tool, the locomotive operation use case is employed again.
format	Dissertação
author	Benghi, Felipe Marx
author_sort	Benghi, Felipe Marx
title	Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
title_short	Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
title_full	Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
title_fullStr	Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
title_full_unstemmed	Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
title_sort	visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais
publisher	Universidade Tecnológica Federal do Paraná
publishDate	2021
citation	BENGHI, Felipe Marx. Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais. 2020. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2020.
url	http://repositorio.utfpr.edu.br/jspui/handle/1/25358
_version_	1760451874483339264
score	10,966579

Visual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais

Registros relacionados