MemStream：基于记忆的流式异常检测
机器学习
2022-03-07 v2 人工智能
摘要
在存在概念漂移的多维数据场景中，给定随时间到达的条目流，我们如何检测异常活动？现有大多数无监督异常检测方法试图以离线方式检测异常事件，并且需要大量数据进行训练。这在现实场景中并不实用，因为我们以流式方式接收数据，且事先不知道流的大小。因此，我们需要一种数据高效的方法，能够以在线方式检测并适应不断变化的数据趋势（即概念漂移）。在这项工作中，我们提出了一个流式异常检测框架 MemStream，使我们能够在异常事件发生时进行检测，同时对概念漂移具有鲁棒性。我们利用去噪自编码器的能力来学习表示，并利用记忆模块来学习数据中动态变化的趋势，且无需标签。我们证明了有效处理漂移所需的最优记忆大小。此外，MemStream 采用两种架构设计选择以增强对记忆中毒的鲁棒性。实验结果表明，与使用 个合成数据集和 个真实世界数据集的当前最优流式基线相比，我们的方法具有有效性。
引用
@article{arxiv.2106.03837,
title = {MemStream: Memory-Based Streaming Anomaly Detection},
author = {Siddharth Bhatia and Arjit Jain and Shivin Srivastava and Kenji Kawaguchi and Bryan Hooi},
journal= {arXiv preprint arXiv:2106.03837},
year = {2022}
}
备注
The Web Conference (WWW), 2022