Unsupervised, robust, and lightweight detection of data pattern anomalies and outliers

Qiaolin Qin, Heng Li et Ettore Merlo

Article de revue (2026)

Document en libre accès chez l'éditeur officiel

Un lien externe est disponible pour ce document

Renseignements supplémentaires:	Code + data : https://github.com/mooselab/Detect-Cell-level-Data-Anomalies-With-LUCARIO
Département:	Département de génie informatique et génie logiciel
URL de PolyPublie:	https://publications.polymtl.ca/71729/
Titre de la revue:	Information and Software Technology (vol. 192)
Maison d'édition:	Elsevier BV
DOI:	10.1016/j.infsof.2026.108035
URL officielle:	https://doi.org/10.1016/j.infsof.2026.108035
Date du dépôt:	16 janv. 2026 08:37
Dernière modification:	16 janv. 2026 08:40

Citer en APA 7:	Qin, Q., Li, H., & Merlo, E. (2026). Unsupervised, robust, and lightweight detection of data pattern anomalies and outliers. Information and Software Technology, 192, 108035 (16 pages). https://doi.org/10.1016/j.infsof.2026.108035
APA 7 (HTML)ASCII CitationAtomBibTeXDOIsDublin CoreEndNote (.ENW)MARC (ISO 2709/UTF-8) (.MRC)MARC (UTF-8) (.MRK8)MARC XMLMPEG-21 DIDLMultiline CSVOAI-ORE Resource Map (Atom Format)OPENAIREOpenURL ContextObjectOpenURL ContextObject in SpanRDF+N-TriplesRDF+N3RDF+XMLReferReference Manager (.RIS)Simple Metadata

Statistiques

Actions réservées au personnel