Desarrollo de un algoritmo para detección de anomalías con base en estimación de densidad basada en kernels, matrices de densidad y medidas cuánticas
Esta tesis presenta un algoritmo innovador diseñado para realizar detección de anomalías en diversos conjuntos de datos. Este método, denominado Anomaly Detection through Density Matrices and Fourier Features (AD-DMKDE), integra estimación de densidad basada en kernels (en inglés Kernel Density Esti...
- Autores:
-
Bustos-Briñez, Oscar Alberto
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/85017
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
Algoritmos (computadores)
Computer algorithms
Detección de anomalías
Algoritmos de aprendizaje automático
Estimación de densidad
Aprendizaje automático cuántico
Análisis de datos
Anomaly detection
Machine learning algorithms
Density estimation
Quantum machine learning
Data analysis
- Rights
- openAccess
- License
- Atribución-CompartirIgual 4.0 Internacional
| Summary: | Esta tesis presenta un algoritmo innovador diseñado para realizar detección de anomalías en diversos conjuntos de datos. Este método, denominado Anomaly Detection through Density Matrices and Fourier Features (AD-DMKDE), integra estimación de densidad basada en kernels (en inglés Kernel Density Estimation o KDE) y aprendizaje de máquina (conocida como Machine Learning en inglés) con las matrices de densidad y la medición cuántica, dos prometedores conceptos provenientes del campo de la computación cuántica. Se establecen las bases teóricas y metodológicas que sustentan este método; asimismo, se presentan los detalles de su desarrollo e implementación. Se realiza una comparación sistemática del algoritmo propuesto contra doce métodos variados de detección de anomalías; AD-DMKDE muestra un rendimiento competitivo al ser aplicado sobre una selección de veinticuatro conjuntos de datos. Se establecen las fortalezas y limitaciones del algoritmo propuesto y, a partir del análisis estadístico de su rendimiento, se enuncian una serie de conclusiones y posibles líneas de trabajo futuro. (Texto tomado d la fuente) |
|---|