面向时序数据异常检测的主动学习与迁移学习
机器学习
2025-08-07 v1 人工智能
摘要
本文考察了在跨域时序数据上结合主动学习和迁移学习进行异常检测的有效性。我们的结果表明，聚类与主动学习之间存在相互作用，一般而言，最佳性能是通过单一聚类实现的（即不应用聚类时）。此外，我们发现使用主动学习将新样本添加到训练集中确实会改善模型性能，但总体而言，性能提升的速度比文献中所报告的要慢。我们将这一差异归因于改进的实验设计，其中使用了用于抽样和测试池的独立数据样本。最后，我们评估了在多个数据集上结合主动学习和迁移学习的性能上限，发现性能最初会提升，但随着向训练集添加更多目标点，性能最终会趋于平稳。这种性能下降可能表明主动学习过程在数据点选择方面做得很好，将较少有用的点推向选择过程的末端，而当这些较少有用的点最终被添加时，这种下降就发生了。综合来看，我们的结果表明，主动学习是有效的，但模型性能随所选择点数目的提升遵循线性平缓函数。
引用
@article{arxiv.2508.03921,
title = {Active Learning and Transfer Learning for Anomaly Detection in Time-Series Data},
author = {John D. Kelleher and Matthew Nicholson and Rahul Agrahari and Clare Conran},
journal= {arXiv preprint arXiv:2508.03921},
year = {2025}
}