面向不平衡群体的公平异常检测
机器学习
2024-09-18 v1
摘要
异常检测（AD）在金融欺诈检测和网络安全入侵检测等众多实际应用中受到广泛研究。由于受保护群体与非受保护群体之间的不平衡以及正常样本与异常样本分布的不平衡，现有大多数异常检测方法的学习目标倾向于仅关注占主导地位的非受保护群体。因此，许多研究者认识到在异常检测中确保模型公平性的重要性。然而，现有的公平异常检测方法在非受保护群体数量超过受保护群体的不平衡场景下，倾向于将大多数受保护群体的正常样本错误地标记为异常。这种现象是由于学习目标设计不当导致的，即其统计上关注频繁模式（即非受保护群体），而忽略代表性不足的模式（即受保护群体）。为解决这些问题，我们提出了 FairAD—a款针对不平衡场景的公平性异常检测方法。它由公平性对比学习模块和再平衡自编码器模块组成，分别确保公平性并处理不平衡数据问题。此外，我们提供了理论分析，表明所提出的对比学习正则化保证了群体公平性。实证研究表明，FairAD 在多个真实数据集上有效且高效。
引用
@article{arxiv.2409.10951,
title = {Fair Anomaly Detection For Imbalanced Groups},
author = {Ziwei Wu and Lecheng Zheng and Yuancheng Yu and Ruizhong Qiu and John Birge and Jingrui He},
journal= {arXiv preprint arXiv:2409.10951},
year = {2024}
}