基于稀疏性的异常子群发现特征选择方法
机器学习
2022-01-07 v1 人工智能
信号处理
摘要
异常模式检测旨在识别明显偏离正常状态的实例，并在各领域广泛应用。现有最先进的技术已提出多种异常检测方法。然而，普遍缺乏一种原则性且可扩展的特征选择方法以实现高效发现。现有特征选择技术通常通过对预测结果性能进行优化来实施，而非针对其与期望值的系统性偏差。本文提出一种基于稀疏性的自动化特征选择（SAFS）框架，该框架通过特征驱动的odds比之稀疏性来编码系统性结果偏差。SAFS是一种模型无关方法，可用于不同发现技术。在公开可用的重症监护数据集上验证时，SAFS在计算时间上实现了超过的缩减，同时保持检测性能。与多种特征选择基线相比，SAFS也表现出更优性能。
引用
@article{arxiv.2201.02008,
title = {Sparsity-based Feature Selection for Anomalous Subgroup Discovery},
author = {Girmaw Abebe Tadesse and William Ogallo and Catherine Wanjiru and Charles Wachira and Isaiah Onando Mulang' and Vibha Anand and Aisha Walcott-Bryant and Skyler Speakman},
journal= {arXiv preprint arXiv:2201.02008},
year = {2022}
}