METER：用于在线异常检测的动态概念自适应框架
机器学习
2024-04-16 v1
摘要
实时分析和决策要求在线异常检测（OAD）高效且有效地处理数据流中的漂移。遗憾的是，现有方法通常受限于其有限的检测能力和对不断演变的数据流的缓慢适应，这抑制了它们在处理概念漂移（不断演变的数据流中的主要挑战）方面的有效性和效率。在本文中，我们介绍了 METER，一种新颖的动态概念自适应框架，为 OAD 引入了一种新范式。METER 通过首先在历史数据上训练基础检测模型以捕获重复出现的中心概念，然后在检测到概念漂移时学习动态适应数据流中的新概念来解决概念漂移。特别地，METER 采用了一种新颖的动态概念自适应技术，利用超网络动态生成基础检测模型的参数偏移，与传统的重训练或微调方法相比，提供了更有效和高效的解决方案。此外，METER 结合了一个由证据深度学习支持的轻量级漂移检测控制器，以支持稳健且可解释的概念漂移检测。我们进行了广泛的实验评估，结果表明 METER 在各种应用场景中显著优于现有的 OAD 方法。
引用
@article{arxiv.2312.16831,
title = {METER: A Dynamic Concept Adaptation Framework for Online Anomaly Detection},
author = {Jiaqi Zhu and Shaofeng Cai and Fang Deng and Beng Chin Ooi and Wenqiao Zhang},
journal= {arXiv preprint arXiv:2312.16831},
year = {2024}
}