通过近似部分AUC损失实现关键应用可信异常检测
机器学习
2025-04-03 v2 计算机视觉与模式识别
摘要
异常检测是关键应用（如工业、医疗或网络安全领域）的关键步骤。这些领域共享相同的要求，即需对不同类型的分类错误采取不同处理方式。尽管假阳性是可接受的，但假阴性则不可接受，因为这意味着错过了质量问题、疾病或网络威胁的检测。为满足这一要求，我们提出一种方法，通过动态应用可信近似部分AUC ROC损失（tapAUC）来实现异常检测。该方法训练二分类器，以优化AUC ROC曲线中防止阳性率（TPR）达到100%的特定范围，同时最小化阴性率（FPR）。随后保留最优阈值，确保不触发任何假阴性，在测试阶段应用该阈值。实验结果显示，在6个数据集上的平均表现为TPR为92.52%，FPR为20.43%，相较于其他最先进方法，TPR提升4.3%，FPR成本提升12.2%。代码已公开：https://github.com/ArnaudBougaham/tapAUC。
引用
@article{arxiv.2502.11570,
title = {Towards a Trustworthy Anomaly Detection for Critical Applications through Approximated Partial AUC Loss},
author = {Arnaud Bougaham and Benoît Frénay},
journal= {arXiv preprint arXiv:2502.11570},
year = {2025}
}