تشخيص ناهنجاري به روش ماشين بردار پشتيبان يك كلاسه با قيود احتمالي استوار توزيعي

تشخيص ناهنجاري مساله يافتن داده‌هايي است كه از الگوي اكثريت پيروي نمي‌كنند. در ميان انواع روش‌هاي پيشنهادي، روش‌هاي مرزي ازجمله ماشين بردار پشتيبان (SVM) يك كلاسه به‌عنوان روش‌هايي مؤثر و پيشرو به‌كار گرفته مي‌شوند. روش SVM يك كلاسه در پي يافتن مرز تصميم براي تشخيص داده‌هاي ناهنجار است. از طرف ديگر اكثر كاربردهاي دنياي واقعي درجه‌اي از عدم قطعيت را در برمي‌گيرند. به دليل مشخص نبودن توزيع احتمال واقعي هر داده و دشوار و پرهزينه بودن تخمين آن، در اين مطالعه توزيع خاصي روي داده‌ها فرض نمي‌شود و يك مدل غيرخطي مبتني بر كرنل به‌عنوان تعميم SVM استاندارد از طريق رويكرد بهينه‌سازي استوار توزيعي براي برخورد با عدم قطعيت معرفي مي‌شود به‌طوريكه در تمام توزيع‌هاي ممكن، عملكرد مناسبي از لحاظ معيارهاي مختلف ارزيابي داشته و قادر به دسته‌بندي مجموعه داده‌هاي مبدأ - جدايي‌ناپذير باشد. نتايج محاسباتي، استواري مدل پيشنهادي روي توزيع احتمال‌هاي مختلف و نيز برتري اين مدل نسبت به مدل SVM يك كلاسه استاندارد را تأييد مي‌كند.