提升基于高斯-伯努利受限玻尔兹曼机的异常检测中分数的可解释性
机器学习
2024-03-20 v1 人工智能
机器学习
摘要
高斯-伯努利受限玻尔兹曼机(GBRBM)常用于半监督异常检测,其训练仅使用正常数据点。在基于 GBRBM 的异常检测中,正常与异常数据依据一个分数进行分类,该分数等价于边缘 GBRBM 的能量函数。然而,由于该分数无法被解释,分类阈值难以设定为合适的值。本研究提出一种基于分数累积分布的可解释性度量,并建立利用该可解释度量设定阈值的准则。数值实验结果表明,在仅使用正常数据点设定阈值时,该准则是合理的。此外,由于该度量涉及对最小分数值的计算上不可行的求值,我们还提出了一种基于模拟退火的最小分数求值方法,模拟退火在优化问题中被广泛使用。所提出的求值方法也已通过数值实验得到验证。
引用
@article{arxiv.2403.12672,
title = {Improving Interpretability of Scores in Anomaly Detection Based on Gaussian-Bernoulli Restricted Boltzmann Machine},
author = {Kaiji Sekimoto and Muneki Yasuda},
journal= {arXiv preprint arXiv:2403.12672},
year = {2024}
}