基于异常自由区域的异常检测约束
机器学习
2024-10-01 v1
摘要
我们提出了一种新概念——异常自由区域（AFR），以提高异常检测效果。AFR 是数据空间中的一个区域，已知其中不存在异常，例如通过领域知识。这一区域可以包含任意数量的正常数据点，位于数据空间的任意位置。AFR 的关键优势在于，它约束了非异常分布的估计：对 AFR 中估计的概率质量必须与其中正常数据点的数量相符。基于此，我们提供了异常检测使用 AFR 的坚实理论基础和参考实现。我们的实证结果确认，通过 AFR 约束的异常检测优于无约束的异常检测。具体而言，我们表明，在获取估计 AFR 的情况下，基于随机猜测的高效算法已成为强基准，尽管几个广泛使用的方法难以超越。在一个提供真实 AFR 的数据集上，当前最先进的方法被超越。
引用
@article{arxiv.2409.20208,
title = {Constraining Anomaly Detection with Anomaly-Free Regions},
author = {Maximilian Toller and Hussain Hussain and Roman Kern and Bernhard C. Geiger},
journal= {arXiv preprint arXiv:2409.20208},
year = {2024}
}
备注
Accepted at the 15th IEEE International Conference on Knowledge Graph (ICKG)