面向异常检测的局部化多核学习：一类分类
机器学习
2018-07-18 v4 机器学习
摘要
多核学习在近年得到了充分探索，并在多类分类和回归任务中展现出有前景的结果。本文提出一种用于一类分类（OCC）任务的多核学习方法，并将其用于异常检测。近来，已有基础多核方法被提出以解决 OCC 问题，该方法仅是不同核的等权凸组合。本文提出一种利用 OCC 的局部化多核学习异常检测方法（LMKAD），其中每个核的权重被局部分配。所提 LMKAD 方法使用门控函数为每个核自适应分配权重。门控函数的参数和一类分类器通过两步优化过程同时优化。我们给出了 LMKAD 在来自不同学科的 25 个基准数据集上的性能实证结果。该性能与现有的多核异常检测（MKAD）算法及其他四种现有基于核的一类分类器进行比较，以展示我们方法的可信度。与使用更少支持向量数的 MKAD 相比，我们的算法取得了显著更好的 Gmean 分数。还进行了 Friedman 检验以验证本文所声称结果的统计显著性。
引用
@article{arxiv.1805.07892,
title = {Localized Multiple Kernel Learning for Anomaly Detection: One-class Classification},
author = {Chandan Gautam and Ramesh Balaji and K Sudharsan and Aruna Tiwari and Kapil Ahuja},
journal= {arXiv preprint arXiv:1805.07892},
year = {2018}
}
备注
21 pages, 9 Tables and 2 Figures