Satterthwaite Approximation of the Distribution of SPE Scores: An R-Simulation-Based Improvement of the R-PCA-Based Outlier Detection Method
Notice bibliographique
Résumé
Outlier detection is a significant challenge in Internet of Things (IoT)-based systems, which encompass a multitude of sensor nodes deployed for diverse applications. Ensuring accurate data transmission from these nodes to base stations is crucial, as outliers (fault/event/intrusion) can adversely impact data processing accuracy and overall Quality of Service. The principal component analysis (PCA) has gained popularity for outlier detection in IoT, with recursive PCA (R-PCA) being a widely used method. In this article, we explore popular PCA-based approaches and present an optimized, real-time, and reproducible enhancement to the existing R-PCA method. Our proposed improvement focuses on a data-driven approximation of the distribution of squared prediction error (SPE) scores, a fundamental component of PCA-based outlier detection. We address theoretical ambiguities in the assumptions underlying SPE scores in the existing R-PCA method. Through simulations, we demonstrate the inaccurate distributional assumption of SPE scores in the specified scheme. Additionally, we introduce a more suitable Satterthwaite-based approximation of the SPE score distribution, supported by quantile-quantile (Q-Q) plots. The effectiveness of the proposed approximation is validated through performance evaluation metrics, demonstrating its superiority over the Gaussian approximation used in R-PCA schemes. Furthermore, we provide an overview of our proposed scheme, which can be implemented in any PCA-based outlier detection system used by IoT practitioners and engineers. Our research contributes to advancing outlier detection methodologies in IoT-based systems, enabling more reliable anomaly detection and improved system performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».