没有免费午餐但有一顿更便宜的晚餐：流式异常检测通用框架
机器学习
2020-04-21 v4 人工智能
机器学习
摘要
近年来，在时序流式数据中检测异常的研究兴趣日益增长。数据挖掘界已开发多种算法，可分为两类（即通用与专用）。在大多数情况下，通用方法假设“一刀切”的解决方案模型，即单一异常检测器可检测任意领域中的所有异常。迄今为止，尚不存在一种在所有异常类型、用例和数据集上均被证明优于其他方法的单一通用方法。本文中，我们提出 SAFARI，一个通过抽象和统一流式异常检测中的基本任务而构建的通用框架，其提供灵活且可扩展的异常检测流程，以克服“一刀切”解决方案的局限。SAFARI 通过允许我们隔离不同算法的共有和独有特性对检测性能的影响，有助于促进更精细的算法比较。利用 SAFARI，我们实现了多种异常检测器，并识别出促使我们在本工作中提出一种新颖学习策略的研究空白。我们使用 SAFARI 组合了 20 个检测器并开展了广泛评估研究，利用具有不同特性的真实基准数据集比较其性能。结果表明，不存在适用于所有情形的单一最优检测器，证明了我们在流式异常检测领域“没有免费午餐”的假设。最后，我们深入讨论每种方法的优缺点，并得出一组结论以指导 SAFARI 的未来用户。
引用
@article{arxiv.1909.06927,
title = {No Free Lunch But A Cheaper Supper: A General Framework for Streaming Anomaly Detection},
author = {Ece Calikus and Slawomir Nowaczyk and Anita Sant'Anna and Onur Dikmen},
journal= {arXiv preprint arXiv:1909.06927},
year = {2020}
}
备注
Submitted to Expert Systems with Applications