Apr, 2023

构建无监督异常检测的元学习器

PDF
TL;DR该研究提出了一种新的元学习方法，通过使用从未标记的输入数据集生成的元特征，识别出适当的无监督异常检测算法。该方法的性能优于现有的解决方案，并使用超过 10000 个数据集进行了混合模型统计分析，结果表明相对较少的元特征就足以识别合适的无监督异常检测算法，但在元学习器中选择元模型具有相当大的影响。
unsupervised anomaly detectionmeta-learningalgorithm selection problemad algorithmsstatistical analysis
发现论文，激发创造
  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 朝着节约的无监督医学图像微细异常检测

    医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

    Sep, 2023

  • 弱监督异常检测：一项综述

    本研究是第一部弱监督异常检测方法的全面调查，将其分为三个弱监督设置，以及四种数据模态，并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验，并发布了源代码，以及一些弱监督异常检测方法和数据的收集。

    Feb, 2023

  • 一种用于含有异常数据的完全无监督异常检测的通用机器学习框架

    使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

    Aug, 2023

  • 元学习式的无监督学习

    该篇研究通过无监督元学习方法，利用自动构建的任务，从无标记数据获取表征，并应用于多种下游分类任务中，相对于其他四种无监督学习方法的表征学习，显示出更好的性能。

    Oct, 2018

  • 无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率

    通过自适应主动学习采样策略，利用数据先验分布和模型不确定性，我们的方法在检测异常时的主动学习中胜过现有方法，并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。

    Jul, 2023

  • 元学习用于最优输运的无监督异常检测

    本文提出了一种利用元学习自动化检测离群点的新方法，该方法利用最优输运从以前的离群点数据集中提取最佳离群点检测技术，并且我们发现该方法在非监督离群点检测中表现优异，该方法也可以轻松推广到其他非监督设置。

    Nov, 2022

  • 无监督模型选择用于时间序列异常检测

    本文针对无标签数据集的异常检测问题，提供了一种基于三类代理度量（prediction error，model centrality 和 performance on injected synthetic anomalies）的度量组合方法， 将多个非完美代理度量聚合成一个健壮的排名，可以选择最符合数据集的异常检测模型，实验展示了该方法的有效性。

    Oct, 2022

  • 无监督异常检测算法的大规模评估揭示

    本文综合研究了 12 个最流行的无监督异常检测方法，发现它们被评估时使用了不一致的协议，因此定义了一致的评估协议并用于比较它们在五个广泛使用的表格式数据集上的性能。尽管评估不能确定一种方法在所有数据集上优于其他方法，但它识别出那些突出表现的方法并修正了关于它们相对性能的错误认识。

    Apr, 2022

  • UADB: 无监督异常检测增强器

    本文提出一种通用的 UAD Booster 框架，利用神经网络作为模型辅助器并考虑模型间差异自动校正的方法，提高异构 UAD 模型的适应性和检测效果。

    Jun, 2023