DNN-GDITD：基于深度神经网络的高斯描述符用于不平衡表格数据的异常分布检测
机器学习
2024-09-05 v2 人工智能
摘要
分类任务因类别不平衡和数据分布的演变而面临挑战。若要解决这些问题，需一种能够处理不平衡问题的同时有效检测训练期未遇到的异常分布（OOD）样本的鲁棒方法。本研究提出一种 novel 用于表格数据集的异常分布检测算法，名为基于深度神经网络的表格数据不平衡高斯描述符（Deep Neural Network-based Gaussian Descriptor for Imbalanced Tabular Data, DNN-GDITD）。DNN-GDITD 可置于任意深度神经网络之上，以便于使用球形决策边界对不平衡数据和异常分布检测实现更好的分类。通过结合 Push 损失、基于评分的损失和 focal 损失，DNN-GDITD 为测试数据点分配置信度得分，将其分类为已知类别或异常分布样本。在表格数据集上的大规模实验表明，DNN-GDITD 在三种异常分布算法中表现出优势。评估涵盖不平衡和平衡情景，以及包括合成金融纠纷数据集和公开表格数据集（如 Gas Sensor、Drive Diagnosis 和 MNIST），展示了 DNN-GDITD 的多样性。
引用
@article{arxiv.2409.00980,
title = {DNN-GDITD: Out-of-distribution detection via Deep Neural Network based Gaussian Descriptor for Imbalanced Tabular Data},
author = {Priyanka Chudasama and Anil Surisetty and Aakarsh Malhotra and Alok Singh},
journal= {arXiv preprint arXiv:2409.00980},
year = {2024}
}
备注
17 pages