无标签情形下忽略干扰项：异常检测中消除误报的最优线性投影
机器学习
2017-09-15 v1
摘要
在异常检测场景中，原生特征嵌入可能是一个关键的偏差来源。我们提出一种技术，即无监督场景下利用上下文的特征省略（Feature Omission using Context in Unsupervised Settings, FOCUS），用于学习一个特征映射，该映射对训练集中所例示的变化保持不变，同时尽可能保留描述能力。尽管该方法可应用于许多无监督场景，我们聚焦于异常检测中的应用，因为该领域很少有任务标签数据可用。我们的算法仅需要非异常数据集，且不要求训练集中的上下文与测试集的上下文匹配。通过最大化集内方差和最小化集间方差，我们得以识别并移除分散注意力的特征，同时保持对测试时所需描述保真度。在线性情况下，我们的公式化简为广义特征值问题，可快速求解并应用于训练集上下文之外的测试集。该技术使我们能够通过特征空间的适当映射，将异常检测的技术定义与人工定义对齐。我们证明该方法能够移除异常检测场景中特征空间的无信息部分。
引用
@article{arxiv.1709.04549,
title = {Ignoring Distractors in the Absence of Labels: Optimal Linear Projection to Remove False Positives During Anomaly Detection},
author = {Allison Del Giorno and J. Andrew Bagnell and Martial Hebert},
journal= {arXiv preprint arXiv:1709.04549},
year = {2017}
}
备注
13 pages, 6 figures