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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGomes Junior, Luiz Celso-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0370301102971417-
Autor(es): dc.contributorSantanche, Andre-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1756-4852-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5121623021406209-
Autor(es): dc.contributorGomes Junior, Luiz Celso-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0370301102971417-
Autor(es): dc.contributorDelgado, Myriam Regattieri de Biase da Silva-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-2791-174X-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4166922845507601-
Autor(es): dc.creatorBenghi, Felipe Marx-
Data de aceite: dc.date.accessioned2022-02-21T21:41:43Z-
Data de disponibilização: dc.date.available2022-02-21T21:41:43Z-
Data de envio: dc.date.issued2021-06-22-
Data de envio: dc.date.issued2021-06-22-
Data de envio: dc.date.issued2020-11-16-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/25358-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/658465-
Descrição: dc.descriptionOutlying 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.-
Descrição: dc.descriptionOutlying 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.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Computação Aplicada-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectLocomotivas-
Palavras-chave: dc.subjectLocalização de falhas (Engenharia)-
Palavras-chave: dc.subjectAnalítica visual-
Palavras-chave: dc.subjectInteração homem-máquina-
Palavras-chave: dc.subjectAmostragem (Estatística) - Anomalias-
Palavras-chave: dc.subjectÁrvores (Teoria dos grafos)-
Palavras-chave: dc.subjectLocomotives-
Palavras-chave: dc.subjectFault location (Engineering)-
Palavras-chave: dc.subjectVisual analytics-
Palavras-chave: dc.subjectHuman-computer interation-
Palavras-chave: dc.subjectSampling (Statistics) - Abnormalities-
Palavras-chave: dc.subjectTrees (Graph theory)-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Palavras-chave: dc.subjectCiência da Computação-
Título: dc.titleVisual analytics e outlying aspect mining: contextualização de anomalias considerando questões temporais e multidimensionais-
Título: dc.titleVisual analytics and outlying aspect mining: contextualization of anomalies considering temporal and multidimensional issues-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.