SVDD超参数值的主动学习
机器学习
2019-12-05 v1 机器学习
摘要
支持向量数据描述是一种常用的异常检测方法。然而,其实用性在很大程度上取决于选取良好的超参数值——这是一个困难的问题,已在文献中受到广泛关注。现有的估计超参数值的方法纯属启发式,且它们良好工作的条件尚不清楚。在本文中,我们提出 LAMA(Local Active Min-Max Alignment,局部主动最小-最大对齐),这是第一种通过主动学习估计 SVDD 超参数值的有原则方法。其核心思想基于核对齐,我们将其改造以适用于小样本量的主动学习。与许多现有方法不同,LAMA 为两个 SVDD 超参数都提供估计。这些估计是基于证据的,即依赖于实际的类别标签,并附带质量分数。这消除了人工验证的需要,而这是当前启发式方法的一个问题。在真实数据上的大量实验中,LAMA 优于最先进的竞争对手。在若干情况下,LAMA 甚至取得了接近经验上界的结果。
引用
@article{arxiv.1912.01927,
title = {Active Learning of SVDD Hyperparameter Values},
author = {Holger Trittenbach and Klemens Böhm and Ira Assent},
journal= {arXiv preprint arXiv:1912.01927},
year = {2019}
}