Dec, 2023
METER：一种用于在线异常检测的动态概念适应框架
METER: A Dynamic Concept Adaptation Framework for Online Anomaly Detection
Jiaqi Zhu, Shaofeng Cai, Fang Deng, Beng Chin Ooi, Wenqiao Zhang
TL;DR实时分析和决策需要在线异常检测（OAD）有效地处理数据流中的漂移。本文介绍了一种名为 METER 的新型动态概念适应框架，该框架通过先在历史数据上训练基础检测模型以捕获重复的核心概念，然后在检测到概念漂移时学习动态适应数据流中的新概念，从而解决概念漂移问题。METER 采用了一种新颖的动态概念适应技术，利用超网络动态生成基础检测模型的参数变化，提供比传统重训练或微调方法更有效和高效的解决方案。此外，METER 还结合了一种基于证据深度学习的轻量级漂移检测控制器，支持稳健而可解释的概念漂移检测。我们进行了广泛的实验评估，结果表明，METER 在各种应用场景中明显优于现有的 OAD 方法。