基于合成异常监控（SAM）的实时异常检测
机器学习
2025-02-04 v2
摘要
异常检测对于识别金融、网络安全和网络监控等不同领域中的罕见且重要事件至关重要。本文提出合成异常监控（SAM），一种创新的方法，应用因果推断中的合成控制方法来提高异常检测过程的准确性和可解释性。通过将每个特征视为控制单元来建模正常行为，SAM在此因果框架内将异常识别为偏差。我们进行了大量实验，将SAM与包括孤立森林、局部异常因子（LOF）、k近邻（kNN）和一类支持向量机（SVM）在内的已建立基准模型在五个不同数据集（包括信用卡欺诈、HTTP数据集CSIC 2010和KDD Cup 1999等）上进行比较。我们的结果表明，SAM始终提供稳健的性能，突显了其作为动态复杂环境中实时异常检测强大工具的潜力。
引用
@article{arxiv.2501.18417,
title = {Real-Time Anomaly Detection with Synthetic Anomaly Monitoring (SAM)},
author = {Emanuele Luzio and Moacir Antonelli Ponti},
journal= {arXiv preprint arXiv:2501.18417},
year = {2025}
}
备注
19 pages, 3 figures, submitted for publication