用于高效用异常检测的潜变量拉普拉斯最大熵判别
机器学习
2018-03-08 v3 密码学与安全
机器学习
摘要
数据驱动的异常检测方法存在一个缺点，即检测所有统计上罕见的实例，而不考虑检测到的实例是否具有现实意义。在本文中，我们关注专门检测已知具有高现实世界效用的异常实例，同时忽略低效用的统计异常实例的问题。为此，我们提出了一种称为潜变量拉普拉斯最大熵判别（LatLapMED）的新方法作为潜在解决方案。该方法使用 EM 算法，同时结合用于识别统计异常的几何熵最小化原则和用于纳入效用标签的最大熵判别原则，以检测高效用异常。我们将该方法应用于模拟数据集和真实数据集，以证明其性能优于现有的替代方案，后者通常在分类前独立地使用无监督异常检测算法进行预处理。
引用
@article{arxiv.1702.05148,
title = {Latent Laplacian Maximum Entropy Discrimination for Detection of High-Utility Anomalies},
author = {Elizabeth Hou and Kumar Sricharan and Alfred O. Hero},
journal= {arXiv preprint arXiv:1702.05148},
year = {2018}
}