GLAD：基于人在回路学习的全局-局部化异常检测
机器学习
2020-07-17 v4 机器学习
摘要
在实践中使用异常检测系统的人类分析师希望保留简单且可解释的全局异常检测器。本文提出一种名为 GLAD（GLocalized Anomaly Detection，全局-局部化异常检测）的新型人在回路学习算法，该算法支持全局异常检测器。GLAD 利用人类分析师的标签反馈，自动学习它们对特定数据实例的局部相关性。其核心思想是通过在无标签实例上训练的神经网络，对异常检测集成中每个成员在输入特征空间上的相关性施加均匀先验。随后，利用所有带标签实例调整神经网络权重，以调节各集成成员的局部相关性。GLAD 还提供解释，可增进终端用户对异常的理解。我们在合成与真实世界数据上的实验表明了 GLAD 在学习集成成员局部相关性与通过标签反馈发现异常方面的有效性。
引用
@article{arxiv.1810.01403,
title = {GLAD: GLocalized Anomaly Detection via Human-in-the-Loop Learning},
author = {Md Rakibul Islam and Shubhomoy Das and Janardhan Rao Doppa and Sriraam Natarajan},
journal= {arXiv preprint arXiv:1810.01403},
year = {2020}
}
备注
Presented at the ICML-2020 Workshop on Human in the Loop Learning; 8 pages, 8 figures