面向异常检测的生命长期续学习:新挑战、视角与见解
机器学习
2024-04-03 v2 人工智能
摘要
异常检测在许多具有演化行为的现实领域至关重要。生命学习代表一种新兴趋势,满足了机器学习模型在动态环境中持续适应新挑战同时保留过往知识的需求。然而,构建生命期异常检测基础的工作有限,其与被广泛探索的分类设定有本质不同的挑战。本文面对该问题,通过探索、论证与讨论生命期异常检测,试图为其更广泛应用奠定基础。首先,我们解释生命期异常检测为何相关,界定设计与生命学习复杂性打交道的异常检测方法所面临的挑战与机遇。其次,我们刻画学习设定及一种使研究者能利用现有数据集实验生命期异常生成的场景生成过程。第三,我们在提出的生命期场景上用流行异常检测方法做实验,强调采用生命学习可获得的性能差距。总体而言,我们结论认为采用生命期异常检测对设计更鲁棒、提供环境全面视图并同时适应与保留知识的模型十分重要。
引用
@article{arxiv.2303.07557,
title = {Lifelong Continual Learning for Anomaly Detection: New Challenges, Perspectives, and Insights},
author = {Kamil Faber and Roberto Corizzo and Bartlomiej Sniezynski and Nathalie Japkowicz},
journal= {arXiv preprint arXiv:2303.07557},
year = {2024}
}