用于半监督数据集异常检测器自动选择的元学习
机器学习
2022-11-28 v1
摘要
在异常检测中，一项重要任务是诱导一个模型以仅基于正常数据学习的方式来识别异常。通常，人们希望找到一个能正确识别异常（即不属于正常类的数据点）且不产生过多误报的异常检测器。哪种异常检测器最合适取决于手头的数据集，因此需要量身定制。异常检测器的质量可通过基于混淆矩阵的指标（如 Matthews 相关系数（MCC））来评估。然而，由于在半监督设定下训练时仅有正常数据可用，此类指标无法获取。为促进异常检测器的自动化机器学习，我们提出采用元学习，基于仅能用正常数据计算的指标来预测 MCC 分数。以超体积和误报率作为元特征，可获得初步的有前景结果。
引用
@article{arxiv.2211.13681,
title = {Meta-Learning for Automated Selection of Anomaly Detectors for Semi-Supervised Datasets},
author = {David Schubert and Pritha Gupta and Marcel Wever},
journal= {arXiv preprint arXiv:2211.13681},
year = {2022}
}