不准确污染率对鲁棒无监督异常检测的影响
机器学习
2024-08-16 v1 人工智能
摘要
用于无监督异常检测的训练数据集通常被认为是无异常的，但往往包含异常（即污染），这一挑战显著削弱了模型性能。大多数鲁棒无监督异常检测模型依赖污染率信息来应对污染。然而，在实际中污染率可能不准确。我们研究了不准确污染率信息在鲁棒无监督异常检测中的影响。我们验证了这些模型是否对被误导的污染率具有鲁棒性。我们对6个基准数据集的实验表明，此类模型并不会因接触错误信息而受到不利影响。事实上，在提供不准确污染率时它们甚至可以表现出更好的性能。
引用
@article{arxiv.2408.07718,
title = {Impact of Inaccurate Contamination Ratio on Robust Unsupervised Anomaly Detection},
author = {Jordan F. Masakuna and DJeff Kanda Nkashama and Arian Soltani and Marc Frappier and Pierre-Martin Tardif and Froduald Kabanza},
journal= {arXiv preprint arXiv:2408.07718},
year = {2024}
}
备注
This is an accepted extended abstract at Black in AI Workshop which will be co-located with NeurIPS 2024 in Canada