AutoOD：基于好奇心引导搜索与自我模仿学习的自动化离群点检测
机器学习
2020-06-23 v1 机器学习
摘要
离群点检测是一项重要的数据挖掘任务，具有众多实际应用，如入侵检测、信用卡欺诈检测和视频监控。然而，给定一个具体的复杂大数据任务，构建强大的基于深度学习的离群点检测系统仍高度依赖人类专业知识和费力试错。尽管神经架构搜索（NAS）已在图像分类、目标检测和语义分割等多个领域展现出发现有效深度架构的潜力，但由于缺乏固有搜索空间、搜索过程不稳定以及样本效率低，现有 NAS 方法并不适用于离群点检测。为弥补这一差距，本文提出自动化离群点检测框架 AutoOD，旨在预定义搜索空间内搜索最优神经网络模型。具体而言，我们首先设计好奇心引导搜索策略以克服局部最优陷阱。作为搜索智能体的控制器被鼓励采取行动以最大化关于控制器内部信念的信息增益。我们进一步引入基于自我模仿学习的经验回放机制以提高样本效率。在多个真实世界基准数据集上的实验结果表明，与现有手工设计模型及传统搜索方法相比，AutoOD 所识别的深度模型取得了最佳性能。
引用
@article{arxiv.2006.11321,
title = {AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning},
author = {Yuening Li and Zhengzhang Chen and Daochen Zha and Kaixiong Zhou and Haifeng Jin and Haifeng Chen and Xia Hu},
journal= {arXiv preprint arXiv:2006.11321},
year = {2020}
}