ADBench：异常检测基准评测
机器学习
2022-09-20 v2 人工智能
摘要
面对过去数十年间开发的大量异常检测算法，它们在（i）不同监督水平、（ii）不同类型异常以及（iii）含噪与损坏数据下的表现如何？本文通过构建名为 ADBench 的、据我们所知最全面的异常检测基准评测（涵盖 30 种算法与 57 个基准数据集）来回答这些关键问题。我们广泛的实验（总计 98,436 次）揭示了关于监督作用与异常类型的有意义见解，并为研究人员在算法选择与设计方面指明了未来方向。借助 ADBench，研究人员可轻松在数据集（包括我们贡献的自然语言与计算机视觉领域数据集）上对现有基线方法进行新提出方法的全面且公平的评估。为促进可及性与可复现性，我们完全开源 ADBench 及相应结果。
引用
@article{arxiv.2206.09426,
title = {ADBench: Anomaly Detection Benchmark},
author = {Songqiao Han and Xiyang Hu and Hailiang Huang and Mingqi Jiang and Yue Zhao},
journal= {arXiv preprint arXiv:2206.09426},
year = {2022}
}
备注
NeurIPS 2022. All authors contribute equally and are listed alphabetically. Code available at https://github.com/Minqi824/ADBench