基于二次多形分离的半监督异常检测
机器学习
2022-08-18 v1 机器学习
摘要
本文提出一种新颖的半监督异常检测（SSAD）方法。我们的分类器命名为 QMS22，因其于 2022 年基于二次多形分离（QMS）框架提出，QMS 是近期引入的分类模型。QMS22 通过求解一个涉及原问题训练集与测试集的多类分类问题来处理 SSAD。该分类问题有意包含具有重叠样本的类。其中一类包含正常样本与离群点的混合，所有其他类仅含正常样本。随后利用分类问题的结果为测试集中每个样本计算离群分数。我们还将 QMS22 与顶级分类器在来自 KEEL 仓库的 95 个基准不平衡数据集上进行了性能评估。这些分类器为 BRM（Bagging-Random Miner）、OCKRA（One-Class K-means with Randomly-projected features Algorithm）、ISOF（Isolation Forest）与 ocSVM（One-Class Support Vector Machine）。以受试者工作特征曲线下面积作为性能度量表明，QMS22 显著优于 ISOF 与 ocSVM。此外，Wilcoxon 符号秩检验显示，QMS22 对比 BRM 以及 QMS22 对比 OCKRA 均无统计显著差异。
引用
@article{arxiv.2208.08265,
title = {Semi-Supervised Anomaly Detection Based on Quadratic Multiform Separation},
author = {Ko-Hui Michael Fan and Chih-Chung Chang and Kuang-Hsiao-Yin Kongguoluo},
journal= {arXiv preprint arXiv:2208.08265},
year = {2022}
}