基于帕累托深度分析的多准则相似性异常检测
计算机视觉与模式识别
2016-07-26 v1 机器学习
机器学习
摘要
我们考虑在数据集中识别表现出异常行为的模式的问题，通常称为异常检测。基于相似性的异常检测算法检测异常大量的相似性或不相似性，例如通过测试样本与训练样本之间的最近邻欧氏距离来衡量。在许多应用领域中，可能不存在单一的不相似度度量能够捕获所有可能的异常模式。在这种情况下，可以定义多个不相似度度量，包括非度量度量，并且可以通过使用它们的非负线性组合进行标量化来测试异常。如果不同不相似度度量的相对重要性事先未知（如同许多异常检测应用），则异常检测算法可能需要针对线性组合中权重的不同选择多次执行。本文中，我们提出一种使用新型多准则不相似度度量即帕累托深度(Pareto depth)的基于相似性的异常检测方法。所提出的帕累托深度分析(PDA)异常检测算法利用帕累托最优性概念，在多准则下检测异常，而无需针对权重不同选择多次运行算法。所提出的PDA方法被证明优于使用准则的线性组合，并在合成和真实数据集实验中展现出优越性能。
引用
@article{arxiv.1508.04887,
title = {Multi-criteria Similarity-based Anomaly Detection using Pareto Depth Analysis},
author = {Ko-Jen Hsiao and Kevin S. Xu and Jeff Calder and Alfred O. Hero},
journal= {arXiv preprint arXiv:1508.04887},
year = {2016}
}
备注
The work is submitted to IEEE TNNLS Special Issue on Learning in Non-(geo)metric Spaces for review on October 28, 2013, revised on July 26, 2015 and accepted on July 30, 2015. A preliminary version of this work is reported in the conference Advances in Neural Information Processing Systems (NIPS) 2012