利用有限用户反馈提升黑盒序列异常检测器相关性
机器学习
2020-09-16 v1 机器学习
摘要
异常检测器通常设计用于捕捉统计异常。最终用户通常对检测出的所有离群点并无兴趣，而只在意那些与其应用相关的部分。给定一个已有的黑盒序列异常检测器，本文提出一种利用少量人类反馈提升其用户相关性的方法。我们的第一个贡献在于该方法对检测器无关：它仅假设可访问其异常分数，而不要求检测器内部的任何额外信息。受异常具有不同类型这一事实的启发，我们的方法识别这些类型，并利用用户反馈为各类型赋予相关性。作为我们的第二个贡献，该相关性分数被用于调整后续的异常选择过程。在合成与真实世界数据集上的实证结果表明，我们的方法在一系列异常检测器上显著提升了精确率与召回率。
引用
@article{arxiv.2009.07241,
title = {Improve black-box sequential anomaly detector relevancy with limited user feedback},
author = {Luyang Kong and Lifan Chen and Ming Chen and Parminder Bhatia and Laurent Callot},
journal= {arXiv preprint arXiv:2009.07241},
year = {2020}
}