RCC-Dual-GAN：一种基于少量已识别异常的高效离群点检测方法
机器学习
2020-03-10 v1 机器学习
摘要
离群点检测是数据挖掘中的一项重要任务，许多技术已在各类应用中得到探索。然而，由于离群点非聚集的默认假设，无监督离群点检测可能无法正确检测出具有较高密度的群体异常。至于有监督离群点检测，尽管通常能获得高检测率和最优参数，但获取充足且正确的标签是一项耗时的工作。为解决这些问题，我们关注于具有少量已识别异常的半监督离群点检测，期望利用有限标签实现高检测精度。首先，我们提出一种新颖的检测模型Dual-GAN，其可直接利用已识别异常中的潜在信息，同时检测离散离群点与部分已识别的群体异常。进而，考虑到在复杂数据结构中输出值相近的实例未必均相似，我们用RCC与M-GAN的组合替换Dual-GAN中的两个MO-GAN组件（RCC-Dual-GAN）。此外，为处理纳什均衡评估与最优模型选择，我们创建了两个评估指标并引入两个模型，使检测过程更加智能化。在基准数据集与两项实际任务上的大量实验表明，即便仅含少量已识别异常，我们所提方法（即Dual-GAN与RCC-Dual-GAN）也能显著提升离群点检测精度。而且，与Dual-GAN中的两个MO-GAN组件相比，RCC与M-GAN结合的网络结构在各种情形下具有更大稳定性。
引用
@article{arxiv.2003.03609,
title = {RCC-Dual-GAN: An Efficient Approach for Outlier Detection with Few Identified Anomalies},
author = {Zhe Li and Chunhua Sun and Chunli Liu and Xiayu Chen and Meng Wang and Yezheng Liu},
journal= {arXiv preprint arXiv:2003.03609},
year = {2020}
}