在线异常检测器的元层次分析
机器学习
2022-12-12 v2 人工智能
摘要
流数据中异常的实时检测正受到越来越多的关注，因为它使我们能够在各个行业中发出警报、预测故障以及检测入侵或威胁。然而，鲜有研究关注比较流数据异常检测器（即在线算法）的有效性与效率。在本文中，我们对来自不同算法族（即基于距离、密度、树或投影的）的主要在线检测器进行了定性的综合概述，并强调了它们在构建、更新和测试检测模型方面的主要思想。随后，我们对在线检测算法及其离线对应算法的定量实验评估结果进行了深入分析。检测器的行为与不同数据集的特征（即元特征）相关联，从而提供了对其性能的元层次分析。我们的研究解决了文献中若干缺失的见解，例如：(a) 检测器相对于随机分类器的可靠性如何，以及哪些数据集特征导致它们随机表现；(b) 在线检测器在多大程度上逼近离线对应算法的性能；(c) 检测器的哪种草图策略和更新原语最适合检测仅在数据集特征子空间中可见的异常；(d) 属于不同算法族的检测器在有效性与效率之间的权衡是什么；(e) 哪些特定的数据集特征使得某在线算法优于所有其他算法。
引用
@article{arxiv.2209.05899,
title = {A Meta-level Analysis of Online Anomaly Detectors},
author = {Antonios Ntroumpogiannis and Michail Giannoulis and Nikolaos Myrtakis and Vassilis Christophides and Eric Simon and Ioannis Tsamardinos},
journal= {arXiv preprint arXiv:2209.05899},
year = {2022}
}