面向无监督离群检测的超参数优化
机器学习
2022-10-11 v2
摘要
给定一个无监督离群检测（OD）算法，我们如何能在没有任何标签的新数据集上优化其超参数（HP）？在这项工作中，我们解决了这一具有挑战性的无监督 OD 超参数优化问题，并提出了首个基于元学习的系统方法 HPOD。HPOD 利用大量 HP 在现有 OD 基准数据集上的先前性能，并将该信息迁移到新数据集上以实现无标签的 HP 评估。此外，HPOD 采用一种突出的采样范式来高效识别有前景的 HP。大量实验表明，HPOD 可同时用于深度（如 Robust AutoEncoder）和浅层（如 Local Outlier Factor (LOF) 和 Isolation Forest (iForest)）OD 算法，适用于离散和连续 HP 空间，并以平均相对于 LOF 和 iForest 默认 HP 58% 和 66% 的性能提升优于广泛的基线方法。
引用
@article{arxiv.2208.11727,
title = {Hyperparameter Optimization for Unsupervised Outlier Detection},
author = {Yue Zhao and Leman Akoglu},
journal= {arXiv preprint arXiv:2208.11727},
year = {2022}
}