SORTAD：面向表格数据异常检测的自监督优化随机变换
机器学习
2023-11-21 v1
摘要
我们考虑一种用于表格数据异常检测的自监督方法。对数据施加随机变换，并基于其输出识别每种变换。这些预测的变换被用于识别异常。在表格数据中，该方法面临与数据不相关特性相关的诸多挑战。这些挑战影响了应使用的变换，以及对其预测的利用。为此，我们提出 SORTAD，一种专门设计以解决这些挑战的新算法。SORTAD 最优地选择有助于分类过程的随机变换，并具备对表格数据中变换分类预测变化更敏感的评分函数。SORTAD 在多个常用异常检测数据集上取得了最先进的结果，并在所有测试数据集的总体结果中亦然。
引用
@article{arxiv.2311.11018,
title = {SORTAD: Self-Supervised Optimized Random Transformations for Anomaly Detection in Tabular Data},
author = {Guy Hay and Pablo Liberman},
journal= {arXiv preprint arXiv:2311.11018},
year = {2023}
}
备注
16 pages, 7 figures