未知模型下分层数据流中的异常检测
机器学习
2017-09-13 v1
摘要
我们考虑在大量分层数据流中检测少数目标的问题。数据流被建模为具有未知且可能重尾分布的随机过程。目标是形成一种主动推断策略，顺序地确定从哪个数据流收集样本，以在可靠性约束下最小化样本复杂度。我们提出一种主动推断策略，该策略基于样本统计的置信界在树状层次结构上引发有偏随机游走。然后我们确立了其在搜索空间大小（即数据流数量）和可靠性要求两方面的阶最优性。该结果在分层重击者检测、噪声组测试以及用于主动学习、分类和随机根查找的自适应采样中有应用。
引用
@article{arxiv.1709.03573,
title = {Anomaly Detection in Hierarchical Data Streams under Unknown Models},
author = {Sattar Vakili and Qing Zhao and Chang Liu and Chen-Nee Chuah},
journal= {arXiv preprint arXiv:1709.03573},
year = {2017}
}