一、基本信息
题目：Dynamic Rough-Fuzzy Support Vector Domain Description for Outlier Detection
期刊/会议：IEEE FUZZ
发表时间：2018年
引用次数：0
二、论文总结
2.1 研究方向
用粗糙模糊SVM进行动态异常检测
2.2 写作动机
实际生产中数据是经常变化的，体现在两个方面：已经存在的样本的数值变化以及样本量的增减。传统动态异常检测只关注样本量的变化，并且SVM相关方法每次计算都是从零开始。作者提出动态粗糙模糊SVDD方法以适应上述提到的两种变化，并且根据上个时间段的最优解生成下个时间段的新样本对应参数的初始可行解，以达到加速的目的。
2.3 主要思想
作者的文章是基于前人的粗糙模糊SVDD而作的，前人的工作只适用于静态数据，作者使之动态化，方式是根据上个时间段的最优解生成下个时间段的新样本对应参数的初始可行解，使模型不用在下个时间段从零开始计算参数值。
SVDD：将数据映射到高维空间，将正常数据包裹在球状空间里，球状空间外都是异常点。
粗糙模糊SVDD：SVDD在判定异常点时是非此即彼，没有隶属度的概念。粗糙模糊SVDD可以计算样本的异常程度，方式是通过核函数计算异常点和距离它最近支持向量的距离，公式为
image.png
动态粗糙模糊SVDD：主要是利用上个时间段的最优解生成下个时间段的新样本对应参数的初始可行解，具体生成过程如下
image.png
但是作者并没有说明为什么制定这样的公式。
