贝叶斯异常检测与分类
机器学习
2019-02-26 v1 人工智能
机器学习
摘要
统计不确定性很少被纳入机器学习算法中，尤其是异常检测。在此我们提出贝叶斯异常检测与分类（BADAC）形式体系，它在分层贝叶斯框架内提供统一的统计方法来进行分类和异常检测。BADAC 通过对未知的真实数据值边缘化来处理不确定性。使用带高斯噪声的模拟数据，表明在存在不确定性的情况下，BADAC 在分类和异常检测性能上均优于标准算法，尽管计算成本显著增加。此外，BADAC 提供校准良好的分类概率，对科学流水线很有价值。我们展示 BADAC 可在线模式工作，且对模型误差相当鲁棒，这可通过模型选择方法诊断。此外，它可执行无监督新类检测，并可自然扩展以搜寻异常数据子集。因此，BADAC 适用于计算成本非限制因素且统计严谨性重要的场合。我们讨论了加速 BADAC 的近似方法，如高斯过程的使用，并最终引入一种新度量，秩加权分数（RWS），特别适合评估算法检测异常的能力。
引用
@article{arxiv.1902.08627,
title = {Bayesian Anomaly Detection and Classification},
author = {Ethan Roberts and Bruce A. Bassett and Michelle Lochner},
journal= {arXiv preprint arXiv:1902.08627},
year = {2019}
}
备注
29 pages, 13 figures, Demo available: https://github.com/ethyroberts/BADAC