基于层次化GAN的异常检测与采样成本控制
机器学习
2020-09-30 v1 信息论
math.IT
机器学习
摘要
异常检测会产生一定的采样与感知成本，因此在检测精度与这些成本之间取得平衡至关重要。本工作中，我们在不知晓随机时间序列统计特性的情况下，通过检测随机时间序列中的阈值越界来研究异常检测。为降低该检测过程中的采样成本，我们提出使用层次化生成对抗网络(GANs)来进行非均匀采样。为提升检测精度并降低检测延迟，我们在所提基于GAN的检测器运行中引入了一个缓冲带。实验中，我们考虑检测延迟、漏检率、平均错误成本与采样比等指标分析了所提层次化GAN检测器的性能。我们明确了随着缓冲带大小与层次中GAN层级数变化所出现的性能权衡。我们还将该性能与在给定随机过程参数下近似最小化采样与错误平均成本之和的采样策略进行比较。我们证明所提基于GAN的检测器在更大缓冲带下可于检测延迟与平均错误成本方面取得显著性能提升，但代价是采样率的增加。
引用
@article{arxiv.2009.13598,
title = {Anomaly Detection and Sampling Cost Control via Hierarchical GANs},
author = {Chen Zhong and M. Cenk Gursoy and Senem Velipasalar},
journal= {arXiv preprint arXiv:2009.13598},
year = {2020}
}
备注
6 pages, 7 figures, has been accepted by Globecom 2020