异常检测中统计关系学习的在线可学习性
机器学习
2017-05-19 v1 人工智能
摘要
通过一个安全相关的应用，本文介绍了用于异常检测的统计关系学习 (SRL) 方法。概述了在线学习稳定性的操作要求，并将其与应用于代表性 SRL 方法——贝叶斯逻辑程序 (BLP)——学习过程的数学定义进行了比较。由于在线稳定性的形式化证明似乎是不可能的，本文提出了尝试性的常识要求，并通过对一个简单且解析可处理的 BLP 模型的理论和实验分析来检验这些要求。研究发现，在在线学习的初始阶段，学习算法可能会锁定在不稳定的虚假预测器上，而这些预测器却符合我们尝试性的稳定性要求，从而伪装成真正的解。SRL 强大的表达能力似乎在变量众多且数据稀缺的设定中导致了显著的稳定性问题。我们得出结论，使用 SRL 方法进行可靠的异常检测需要由一个总体框架进行监控，该框架可能涉及综合的上下文知识库或人工监督。
引用
@article{arxiv.1705.06573,
title = {Online learnability of Statistical Relational Learning in anomaly detection},
author = {Magnus Jändel and Pontus Svenson and Niclas Wadströmer},
journal= {arXiv preprint arXiv:1705.06573},
year = {2017}
}
备注
8 pages. Author contact [email protected]