TiWS-iForest：弱监督与微型机器学习场景下的孤立森林
机器学习
2021-12-01 v1
摘要
无监督异常检测致力于在缺乏标签的数据集中发现异常；由于数据标注通常难以获取或成本高昂，这类方法近年来得到了广泛应用。在此背景下，孤立森林（Isolation Forest）是一种流行的算法，能够通过称为孤立树的特殊树集成来定义异常分数。这些树采用随机划分过程构建，训练极其快速且廉价。然而，我们发现标准算法在内存需求、延迟和性能方面仍有改进空间；这在低资源场景以及超受限微处理器上的 TinyML 实现中尤为重要。此外，当前的异常检测方法尚未利用弱监督：由于通常部署于决策支持系统中，来自用户的反馈（即便稀少）也是当前未被发掘的宝贵信息来源。除了揭示 iForest 的训练局限外，我们在此提出 TiWS-iForest，该方法通过利用弱监督能够降低孤立森林的复杂度并提升检测性能。我们在真实世界数据集上展示了 TiWS-iForest 的有效性，并在公共代码仓库中共享代码以增强可复现性。
引用
@article{arxiv.2111.15432,
title = {TiWS-iForest: Isolation Forest in Weakly Supervised and Tiny ML scenarios},
author = {Tommaso Barbariol and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2111.15432},
year = {2021}
}