Machine Learning-Based Detection of Anomalous and Discriminative Patterns in Time-Series Data

Korte beschrijving

Dankzij de alomtegenwoordigheid van apparaten en sensoren in onze dagelijkse omgeving, zijn tijdsreeksdata (d.w.z. een reeks gegevenspunten geïndexeerd in temporele orde) steeds vaker beschikbaar, bijvoorbeeld het toenemend aantal sensoren in industrïele complexen. Ze zijn aanwezig in elk detail van het productieproces, waarborgen de kwaliteit en voorkomen storingen. De toename van dergelijke gegevens gaat gepaard met meer verwerkingsopportuniteiten. Men wil modelleren, analyseren en samenvatten om uit de gegevens nuttige en bruikbare inzichten te puren. Deze dissertatie focust op bovenstaande taken en richt zich op aanpakken die zowel van toepassing zijn op data die tot specifieke domeinen (digitale circuits onder verschillende interferenties) behoren en taken die van toepassing zijn op generieke tijdsreeksdata. Concreet focust dit proefschrift op twee soorten taken: anomaliedetectie (AD), d.w.z. de identificatie van fragmenten in tijdsreeksen die afwijken van het normale (of verwachte) gedrag in een grote data set, en classificatie, d.w.z. de identificatie van de categorie (uit een gedefinieerde set) waartoe een specifiek tijdsreeks behoort. De aanpakken die worden geïntroduceerd in dit proefschrift zijn gebaseerd op de identificatie van specifieke (afwijkende of onderscheidende) patronen in een tijdsreeks.