生成子空间对抗性主动学习：用于多视图高维数据异常检测
机器学习
2024-04-24 v1 人工智能
摘要
高维表格数据中的异常检测是数据挖掘中的重要任务，对许多下游任务和应用至关重要。现有的无监督异常检测算法面临一个或多个问题，包括类内假设 (IA)、维度灾难 (CD) 和多视图 (MV)。为了解决这些问题，我们引入生成子空间对抗性主动学习 (GSAAL)，一种新方法，该方法使用具有多个对手的生成对抗网络。这些对手学习不同数据子空间上的边际类概率函数，而单个生成器在完整空间中对整类内样本的分布进行建模。GSAAL 专为解决 MV 限制而设计，同时处理 IA 和 CD，是唯一能够做到这一点的方案。我们提供了 MV 的完整数学公式、对判别器的收敛性保证，以及 GSAAL 的可扩展性结果。我们的广泛实验表明，GSAAL 在 MV 场景下相较于其他流行 OD 方法具有有效性和可扩展性，尤其在 MV 场景下表现优异。
引用
@article{arxiv.2404.14451,
title = {Generative Subspace Adversarial Active Learning for Outlier Detection in Multiple Views of High-dimensional Data},
author = {Jose Cribeiro-Ramallo and Vadim Arzamasov and Federico Matteucci and Denis Wambold and Klemens Böhm},
journal= {arXiv preprint arXiv:2404.14451},
year = {2024}
}
备注
16 pages, Pre-print