基于类别不平衡学习的在线异常检测

异常检测是许多实际应用中的重要任务，例如欺诈检测、可疑活动检测、健康监护等。在本文中，我们从在线学习环境下的监督学习角度解决这一问题。我们在在线学习框架中最大化用于类别不平衡学习的著名 \emph{Gmean} 指标。具体而言，我们证明最大化 \emph{Gmean} 等价于最小化一个凸代理损失函数，并基于此提出了一种用于异常检测的新型在线学习算法。随后我们通过大量实验表明，在各类基准数据集上，所提算法在 $sum$ 指标上的性能与最近提出的用于类别不平衡学习的代价敏感在线分类（CSOC）算法一样好，同时运行时间接近感知算法。我们的另一个结论是，其他有竞争力的在线算法在大小不同的数据集上表现不一致。这表明了我们提出方法的潜在适用性。