SUOD：加速大规模无监督异构异常检测
机器学习
2021-03-08 v4 分布式、并行与集群计算
信息检索
机器学习
摘要
异常检测（OD）是一项关键的机器学习（ML）任务，用于从一般样本中识别异常对象，具有众多高风险应用，包括欺诈检测和入侵检测。由于缺乏真值标签，实践者往往必须构建大量无监督、异构的模型（即具有不同超参数的不同算法）以进一步组合和分析，而非依赖单一模型。如何通过大量无监督、异构 OD 模型，基于离群程度（本文中称为预测）加速对新样本的训练和打分？在本研究中，我们提出一个名为 SUOD 的模块化加速系统来解决该问题。所提系统聚焦于三个互补的加速方面（针对高维数据的降维、针对高代价模型的近似，以及针对分布式环境的任务负载不均衡优化），同时保持性能精度。在超过 20 个基准数据集上的大量实验证明了 SUOD 在异构 OD 加速方面的有效性，以及其在领先医疗公司 IQVIA 的欺诈索赔分析中的真实部署案例。我们开源 SUOD 以保证可复现性和可获取性。
引用
@article{arxiv.2003.05731,
title = {SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection},
author = {Yue Zhao and Xiyang Hu and Cheng Cheng and Cong Wang and Changlin Wan and Wen Wang and Jianing Yang and Haoping Bai and Zheng Li and Cao Xiao and Yunlong Wang and Zhi Qiao and Jimeng Sun and Leman Akoglu},
journal= {arXiv preprint arXiv:2003.05731},
year = {2021}
}
备注
Proceedings of the 4th Conference on Machine Learning and Systems (MLSys). The code is available at see http://github.com/yzhao062/SUOD. arXiv admin note: text overlap with arXiv:2002.03222