Semantische Suche
Freitag, 18. Januar 2019, 11:30 Uhr
iCal (Download)
Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}
| Vortragende(r) | Lena Witterauf |
|---|---|
| Titel | Density-Based Outlier Detection Benchmark on Synthetic Data |
| Vortragstyp | Proposal |
| Betreuer(in) | Georg Steinbuss |
| Vortragsmodus | |
| Kurzfassung | Outlier detection algorithms are widely used in application fields such as image processing and fraud detection. Thus, during the past years, many different outlier detection algorithms were developed. While a lot of work has been put into comparing the efficiency of these algorithms, comparing methods in terms of effectiveness is rather difficult. One reason for that is the lack of commonly agreed-upon benchmark data.
In this thesis the effectiveness of density-based outlier detection algorithms (such as KNN, LOF and related methods) on entirely synthetically generated data are compared, using its underlying density as ground truth. |
| Vortragende(r) | Peter Schuller |
|---|---|
| Titel | Dynamic adaptation to service usage policies |
| Vortragstyp | Masterarbeit |
| Betreuer(in) | Robert Heinrich |
| Vortragsmodus | |
| Kurzfassung | Developing and approach for dynamic adaptation to service usage policies. |
Freitag, 25. Januar 2019, 11:30 Uhr
iCal (Download)
Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}
| Vortragende(r) | Daniel Warzel |
|---|---|
| Titel | Modeling Quality-Tradeoffs for the Optimization of Li-Ion Storage Systems |
| Vortragstyp | Masterarbeit |
| Betreuer(in) | Dominik Werle |
| Vortragsmodus | |
| Kurzfassung | Durch den gezielten Einsatz von Energiespeichern, wie bspw. Lithium-Ionen-Batterien, können Spitzenlasten in Verbrauchsprofilen und damit unter anderem auch für Großverbraucher von den Spitzenlasten abhängige Energiekosten reduziert werden. Die Planung solcher Energiespeicher wird in der Regel mit Hilfe historischer Daten durchgeführt. Im Zuge dieser Arbeit wurde der Einfluss von Störungen (z.B. durch Sampling) in derartigen Daten auf Peak-Shaving-Ansätze am Beispiel einer Produktionsanlage am KIT Campus Nord genauer betrachtet. Mit den gewonnen Informationen wurden verschiedene Prädiktionsmodelle erzeugt, welche die Abweichung der Ergebnisse auf gestörten Zeitreihen gegenüber ungestörten Zeitreihen vorhersagen. Es konnte festgestellt werden, dass durch die Kombination aus den Ergebnissen und den Vorhersage der Modelle in den meisten Fällen eine Verbesserung der absoluten Abweichung erzielt werden kann. |
Freitag, 1. Februar 2019, 11:30 Uhr
iCal (Download)
Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}
(Keine Vorträge)
Freitag, 8. Februar 2019, 11:30 Uhr
iCal (Download)
Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}
(Keine Vorträge)
Freitag, 15. Februar 2019, 11:30 Uhr
iCal (Download)
Ort: Raum 010 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}
| Vortragende(r) | Marcel Hiltscher |
|---|---|
| Titel | Evaluating Subspace Search Methods with Hidden Outlier |
| Vortragstyp | Bachelorarbeit |
| Betreuer(in) | Georg Steinbuss |
| Vortragsmodus | |
| Kurzfassung | In today’s world, most datasets do not have only a small number of attributes. The high
number of attributes, which are referred to as dimensions, hinder the search of objects that normally not occur. For instance, consider a money transaction that has been not legally carried out. Such objects are called outlier. A common method to detect outliers in high dimensional datasets are based on the search in subspaces of the dataset. These subspaces have the characteristics to reveal possible outliers. The most common evaluation of algorithms searching for subspaces is based on benchmark datasets. However, the benchmark datasets are often not suitable for the evaluation of these subspace search algorithms. In this context, we present a method that evaluates subspace search algorithms without relying on benchmark datasets by hiding outliers in the result set of a subspace search algorithm. |