混合高效无监督异常检测：用于早期疫情病例识别
机器学习
2025-05-06 v1 图像与视频处理
摘要
无监督异常检测是一种在无需标记训练样本的情况下识别数据中异常模式的有前景技术。这种方法对于疫情管理中的早期病例检测尤其有价值，尤其是在数据稀缺的早期阶段。本研究引入一种 novel 混合方法进行异常检测，结合距离和密度度量，增强其在 various 传染病中的适用性。我们的该方法在疫情情境中尤其相关，如所示的 COVID-19 危机，传统的监督分类方法因数据有限而不足。我们的方法在 COVID-19 胸部 X 光数据上的有效性通过与 established 无监督技术进行比较得出，其中在 AUC 方面显著优于 Isolation Forest 的 73.66% 和 KNN 的 52.93%。这些结果突显了我们的混合异常检测方法在 diverse 传染病情境中提高早期检测能力的潜力，从而促进更有效和及时的应对。
引用
@article{arxiv.2408.05347,
title = {Hybrid Efficient Unsupervised Anomaly Detection for Early Pandemic Case Identification},
author = {Ghazal Ghajari and Mithun Kumar PK and Fathi Amsaad},
journal= {arXiv preprint arXiv:2408.05347},
year = {2025}
}