具有离散严重程度等级的多个异常分数分布的性能度量
机器学习
2024-08-12 v1 人工智能
摘要
智能工厂的兴起提高了对自动维护的需求，基于正常数据的异常检测在异常数据稀缺的环境中已被证明特别有效。该方法在训练过程中不需要异常数据，促使研究人员不仅关注异常检测，还关注利用异常分数对严重程度等级进行分类。然而，现有的性能度量，如受试者工作特征曲线下面积（AUROC），无法有效反映模型基于异常分数对严重程度等级进行分类的性能。为解决这一局限，我们提出了受试者工作特征曲线下面积加权和（WS-AUROC），将 AUROC 与严重程度等级差异的惩罚相结合。我们采用多种惩罚分配方法进行了大量实验：无论严重程度等级差异均使用均匀惩罚、基于严重程度等级索引差异的惩罚，以及基于导致异常的实际物理量的惩罚。最后一者最为敏感。此外，我们提出了一种异常检测器，能够实现分布的清晰分离，并在 WS-AUROC 和 AUROC 指标上优于消融模型。
引用
@article{arxiv.2408.04817,
title = {Performance Metric for Multiple Anomaly Score Distributions with Discrete Severity Levels},
author = {Wonjun Yi and Yong-Hwa Park and Wonho Jung},
journal= {arXiv preprint arXiv:2408.04817},
year = {2024}
}
备注
accepted as a work-in-progress paper at the 2024 Annual Conference of the IEEE Industrial Electronics Society (IECON)