基于双层集成的漂移感知变分自编码器异常检测
机器学习
2026-02-16 v1 人工智能
摘要
在当今数字时代，各领域数据生成量不断扩大，但许多数据缺乏标签，使得识别异常事件具有挑战性。面对非平稳环境，模型性能随时间可能因概念漂移而恶化。为此，本文提出一种新方法 VAE++ESDD，采用增量学习和双层集成：针对异常预测构建变分自编码器 (VAE) 集成，同时构建概念漂移检测器集成。每个漂移检测器均利用基于统计的概念漂移机制。为评估 VAE++ESDD 的有效性，我们使用具有严重或极低异常率及各种漂移特征的真实数据集和合成数据集进行了全面实验。我们的研究表明，该方法显著优于强基准和最新方法。
引用
@article{arxiv.2602.12976,
title = {Drift-Aware Variational Autoencoder-based Anomaly Detection with Two-level Ensembling},
author = {Jin Li and Kleanthis Malialis and Christos G. Panayiotou and Marios M. Polycarpou},
journal= {arXiv preprint arXiv:2602.12976},
year = {2026}
}
备注
accepted