基于深度单类分类的主动异常检测
机器学习
2023-09-19 v1
摘要
主动学习已被用作一种高效工具，通过利用专家反馈来构建异常检测模型。在主动学习框架中，模型查询待专家标注的样本，并用标注数据重新训练模型。它减轻了获取标注数据集的负担，同时提升了异常检测性能。然而，现有研究大多聚焦于帮助专家尽可能多地识别异常数据样本，这对于基于单类分类的深度异常检测而言是一种次优方法。本文解决了Deep SVDD主动学习的两个关键问题：查询策略与半监督学习方法。首先，我们的查询策略并非仅识别异常，而是依据自适应边界选择不确定样本。其次，我们在训练单类分类模型时应用噪声对比估计，以有效融合已标注的正常与异常数据。我们分析表明，所提查询策略与半监督损失各自改善异常检测的主动学习过程，且在七个异常检测数据集上二者结合后进一步提升效果。
引用
@article{arxiv.2309.09465,
title = {Active anomaly detection based on deep one-class classification},
author = {Minkyung Kim and Junsik Kim and Jongmin Yu and Jun Kyun Choi},
journal= {arXiv preprint arXiv:2309.09465},
year = {2023}
}
备注
Pattern Recognition Letters 2023