AD-NEV：一种用于多元异常检测的可扩展多级神经进化框架
机器学习
2023-05-29 v1 人工智能
神经与进化计算
摘要
异常检测工具与方法在现代信息物理与故障预测系统中是关键能力。尽管用于异常检测的深度学习架构快速发展，但针对给定数据集的模型优化仍是一个繁琐且耗时的过程。神经进化可作为一种高效且有效的解决方案，它是一种全自动搜索方法，用于学习最优神经网络，并支持基于梯度与非梯度的微调。然而，现有方法大多聚焦于优化模型架构，而未考虑特征子空间与模型权重。本工作中，我们提出异常检测神经进化（AD-NEv）——一种用于多元时间序列异常检测的可扩展多级优化神经进化框架。该方法代表了一种协同实现以下目标的新途径：i）基于装袋技术为集成模型优化特征子空间；ii）优化单一异常检测模型的架构；iii）执行网络权重的非梯度微调。在广泛采用的多元异常检测基准数据集上的大量实验评估表明，AD-NEv 提取的模型优于知名的深度学习异常检测架构。此外，结果显示 AD-NEv 能高效执行整个过程，并在多 GPU 可用时表现出高可扩展性。
引用
@article{arxiv.2305.16497,
title = {AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection},
author = {Marcin Pietron and Dominik Zurek and Kamil Faber and Roberto Corizzo},
journal= {arXiv preprint arXiv:2305.16497},
year = {2023}
}
备注
submitted to IEEE TNNLS