利用增强神经网络检测异常检测中不同类型异常间的细微边界
机器学习
2020-01-29 v1 神经与进化计算
机器学习
摘要
异常检测在各个领域受到特别关注，主要是处理机器学习和人工智能的领域。作为强离群点，异常分为点异常、上下文异常和集体异常。异常检测中最重要的挑战包括远端点与自然区域间的细微边界、新数据与噪声模仿真实数据的趋势、未标记数据集以及不同应用中对异常的不同定义。考虑到所述挑战，我们定义了称为集体正常异常和集体点异常的新异常类型，以改进对不同类型异常间细微边界的更好检测。引入了基本的领域无关方法，以在无监督和有监督数据集中检测这些定义的异常。利用遗传算法增强了多层感知机神经网络，以更高精度检测新定义的异常，从而确保测试误差小于常规多层感知机神经网络计算所得误差。在基准数据集上的实验结果表明，与基线相比异常检测过程的误差降低。
引用
@article{arxiv.2001.09209,
title = {Detection of Thin Boundaries between Different Types of Anomalies in Outlier Detection using Enhanced Neural Networks},
author = {Rasoul Kiani and Amin Keshavarzi and Mahdi Bohlouli},
journal= {arXiv preprint arXiv:2001.09209},
year = {2020}
}