Anomaly detection under cost constraint

Página do item simplificado
dc.creatorBruno Barbarioli
dc.date.accessioned2019-08-13T11:53:04Z
dc.date.accessioned2025-09-09T00:49:10Z
dc.date.available2019-08-13T11:53:04Z
dc.date.issued2017-02-15
dc.identifier.urihttps://hdl.handle.net/1843/ICED-ALYJS7
dc.languageInglês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectFraude na Internet
dc.subjectEstatística
dc.subjectDetecção de anomalias (Computação)
dc.subjectEstatistica
dc.subjectAprendizado de máquina
dc.subjectMineração de dados (Computação)
dc.subject.otherDetecção de fraudes
dc.subject.otherDetecção de anomalias
dc.subject.otherAprendizado de Máquina
dc.subject.otherClassificação
dc.subject.otherMineração de Dados
dc.titleAnomaly detection under cost constraint
dc.typeDissertação de mestrado
local.contributor.advisor1Renato Martins Assuncao
local.contributor.referee1Marcos Oliveira Prates
local.contributor.referee1Marcelo Azevedo Costa
local.description.resumoA detecção de anomalias é usualmente utilizada em análise de fraudes. Entretanto, restrições de orçamento podem tornar o processo impraticável quando um número grande anomalias é identificada. O presente trabalho propõe um método para selecionar casos probabilisticamente baseado no seus impactos, mas garantindo que a discrepância relativa entre os valores observados e os valores esperados seja levada em consideração. Ele usa uma modificação do False Discovery Rate step-up procedure para melhorar a precisão e garantir a escalabilidade. Aplica-se então o método proposto à um projeto destinado a monitorar o sistema de pagamentos do serviço de saúde público brasileiro a fim de encontrar comportamentos fraudulentos.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
dissertacao.pdf
Tamanho:
1.22 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Estatística - Dissertações

Logo UFMG