基于流分析的金融与医疗增量式异常检测建模
机器学习
2025-04-07 v2
摘要
在实时数据时代，传统方法往往难以跟上流环境的动态特性。本文提出一种混合框架：(i) 第一阶段遵循传统方法，模型一次性构建并在实时环境中评估；(ii) 第二阶段采用增量学习方法，模型随新数据到达持续重训练，从而适应并保持最新。为实现这些框架，我们采用了 8 种不同的前沿异常检测模型，包括单类支持向量机 (OCSVM)、隔离森林自适应滑动窗口方法 (IForest ASD)、精确风暴 (ES)、基于角度的异常检测 (ABOD)、局部离群因子 (LOF)、Kitsunes 在线算法 (KitNet) 以及基于 K 近邻保形密度与距离的 (KNN CAD)。我们在七项金融与医疗预测任务上评估了这些模型的性能，包括信用卡欺诈检测、客户流失预测、以太坊欺诈检测、中风预测与糖尿病预测。结果表明，我们所提的增量学习框架显著提升了性能，尤其在高度不平衡数据集上。在所有模型中，IForest ASD 模型始终位列性能最优的前三名，在不同数据集上展现出卓越有效性。
引用
@article{arxiv.2305.09907,
title = {Incremental Outlier Detection Modelling Using Streaming Analytics in Finance & Health Care},
author = {Vivek Yelleti and Ch Priyanka},
journal= {arXiv preprint arXiv:2305.09907},
year = {2025}
}