处理上下文异常检测中的不确定性

上下文异常检测旨在根据一组影响目标变量正常性但本身并非异常指标的上下文变量，识别目标（行为）变量中的异常。在许多异常检测任务中，存在影响目标变量正常性但本身并非异常指标的上下文变量。在这项工作中，我们提出了一种新颖的上下文异常检测框架——正常性得分，它显式地建模了偶然不确定性和认知不确定性。我们的方法基于异方差高斯过程回归，将Z分数视为一个随机变量，提供反映异常评估可靠性的置信区间。通过在基准数据集和心脏病学实际应用上的实验，我们证明了正常性得分在检测准确性和可解释性方面均优于最先进的上下文异常检测方法。此外，置信区间支持一种自适应的、由不确定性驱动的决策过程，这在医疗保健等领域可能非常重要。