Abnormal behavior detection using tensor factorization

Shah, Alpa Jayesh (2016). Abnormal behavior detection using tensor factorization. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (2MB) | Prévisualisation
Prévisualisation	PDF Télécharger (775kB) | Prévisualisation

Résumé

Real Time Location Systems (RTLS) using RFID is a popular surveillance method for security. However, in an open and dynamic environment, where patterns rarely repeat, it is difficult to implement a model that could analyse all the information generated in real-time and detect abnormal events. In this thesis, we present a new approach to analyze the spatio-temporal information generated by RTL systems. In this approach, discrete events capturing the location of a given person (or object), at a specific time, on a certain day are generated and stored at fixed intervals. Using a latent semantic analysis (LSA) technique based on tensor factorization we extract and leverage latent information contained in real-time streams of multidimensional RFID data represented as these discrete events. One of the main contributions made through this work is a parametric Log-Linear Tensor Factorization (LLTF) model which learns the jointprobability of contextual elements, in which the parameters are the factors of the event tensor. Using an efficient method, based on Nesterov’s accelerated gradient, we obtain a trained model, which is a set of latent factors representing a summarized version of the multidimensional data corresponding to high-level descriptions of each dimension. We evaluated this approach based on LLTF through a series of experiments on synthetic as well as real-life datasets. Upon comparative analysis, results showed that our proposed approach outperformed some state-ofthe-art methods for factor analysis via tensor factorization and abnormal behaviour detection.

Titre traduit

Détection d'évènements anormaux utilisant la factorisation de tenseurs

Résumé traduit

Les Systèmes de Localisation en Temps Réel (SLTR) utilisant la technologie RFID sont utilisés, de manière répandue, comme méthode de surveillance pour la sécurité. Cependant, dans un environnement ouvert et dynamique, où des patrons se répètent rarement, il est difficile de mettre en oeuvre un modèle qui pourrait analyser toutes les informations générées en temps réel et de détecter des événements anormaux. Dans cette thèse, nous présentons une nouvelle approche pour analyser l’information spatio-temporelle générée par les systèmes RTL. Dans cette approche, les événements discrets qui capturent l’emplacement d’une personne donnée (ou objet), à un moment précis d’un certain jour sont générés et stockés à des intervalles fixes. En utilisant une technique d’analyse sémantique latente (LSA), basée sur la factorisation de tenseur, nous extrayons et mettons à profit des informations latentes contenues dans les flots de données RFID multidimensionnels récupérés en temps réel et représentés comme ces événements discrets. L’une des principales contributions issue de ce travail est un modèle paramétrique de factorisation log-linéaire de tenseurs (LLTF) qui apprend la probabilité à plusieurs variables d’éléments contextuels, dans laquelle les paramètres sont les facteurs du tenseur lié à un événement. En utilisant une méthode efficace, basée sur l’augmentation accélérée du gradient de Nesterov, nous obtenons une modélisation, qui est un ensemble de facteurs latents représentant une version résumée des données multidimensionnelles. Cette modélisation correspond à des descriptions de haut niveau pour chaque dimension. Nous avons évalué cette approche, basée sur LLTF, à travers une série d’expériences sur des ensembles de données synthétiques et réelles. Lors de l’analyse comparative, les résultats montrent que l’approche que nous avons proposée a surpassé certaines méthodes de l’état de l’art pour l’analyse des facteurs via la factorisation de tenseurs et la détection de comportements anormaux.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of the requirements for master of applied sciences in information technology engineering". Bibliographie : pages 97-101.
Mots-clés libres:	Exploration de données (Informatique) Données spatio-temporelles. Apprentissage automatique. Analyse sémantique latente. Factorisation. Calcul tensoriel. Reconnaissance de l'activité humaine (Informatique) Surveillance. anormal, détection, évènement, analyse du comportement, factorisation des tenseurs, apprentissage machine
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Desrosiers, Christian
Codirecteur:	Codirecteur Sabourin, Robert
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	03 août 2016 19:13
Dernière modification:	10 déc. 2016 17:30
URI:	https://espace.etsmtl.ca/id/eprint/1704

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt