学习检测有趣异常
机器学习
2025-02-04 v1 天体物理仪器与方法
人工智能
高能物理 - 实验
数据分析、统计与概率
摘要
异常检测算法通常应用于用户手工设计的静态、不变的数据特征。但用户如何系统地针对从未见过的异常设计良好的特征？在此，我们将深度学习与主动学习相结合——在主动学习中，Oracle（神谕）在一系列轮次中迭代地标注由算法选定的少量数据——以自动且动态地改进数据特征，从而实现高效的离群点检测。该方法 AHUNT 在 MNIST、CIFAR10 和 Galaxy-DESI 数据上表现出优异的性能，显著优于具有静态特征空间的标准异常检测和主动学习算法。除性能提升外，AHUNT 还允许异常类别的数量根据 Oracle 的评估有机增长。大量的消融研究探讨了 Oracle 提问选择策略和损失函数对性能的影响。我们阐明了动态异常类别分类法如何代表朝着完全个性化的不同异常类别排序（反映用户兴趣）迈出的另一步，使算法学会忽略统计显著但无趣的离群点（例如噪声）。在服务于多样化用户群体、只能审查传入数据极小子集的大规模天文数据集时代，这应被证明是有用的。
引用
@article{arxiv.2210.16334,
title = {Learning to Detect Interesting Anomalies},
author = {Alireza Vafaei Sadr and Bruce A. Bassett and Emmanuel Sekyi},
journal= {arXiv preprint arXiv:2210.16334},
year = {2025}
}
备注
10 pages, 7 figures