面向深度监督异常检测:基于部分标注异常数据的强化学习
机器学习
2021-06-11 v2 人工智能
密码学与安全
计算机视觉与模式识别
机器学习
摘要
我们考虑这样一种异常检测问题:拥有一小部分部分标注的异常样本以及大规模未标注数据集。这是许多重要应用中的常见场景。现有的相关方法要么仅拟合有限的异常样本(通常无法覆盖全部异常类型),要么基于未标注数据采用无监督学习。我们在此提出一种基于深度强化学习的方法,能够对已标注与未标注异常的检测进行端到端优化。该方法通过自动与偏向异常的仿真环境交互来学习已知异常,同时通过在未标注数据中主动探索可能的异常,将持续学习到的异常知识扩展到新的异常类别(即未知异常)。这是通过联合优化少量标注异常数据的利用与稀有未标注异常的探索来实现的。在48个真实世界数据集上的大量实验表明,我们的模型显著优于五种最先进的对比方法。
引用
@article{arxiv.2009.06847,
title = {Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data},
author = {Guansong Pang and Anton van den Hengel and Chunhua Shen and Longbing Cao},
journal= {arXiv preprint arXiv:2009.06847},
year = {2021}
}
备注
Accepted to KDD 2021