迈向基于聚类的异常检测的统一框架
机器学习
2024-06-04 v1 人工智能
摘要
无监督异常检测（UAD）在无需标记示例的情况下识别数据中的异常模式方面发挥着关键作用，在各个领域都具有重要的实际意义。尽管表示学习和聚类对异常检测的各自贡献已得到充分证实，但由于缺乏统一的理论框架，它们之间的相互依赖性仍未得到充分探索。因此，它们共同增强异常检测性能的潜力在很大程度上尚未被挖掘。为弥合这一差距，在本文中，我们提出了一种新颖的用于异常检测的概率混合模型，以在表示学习、聚类和异常检测之间建立理论联系。通过最大化一种新颖的异常感知数据似然，表示学习和聚类可以有效减少异常数据的不利影响，并协同促进异常检测。同时，从该框架中自然推导出一个理论上合理的异常分数。最后，受物理学中引力分析的启发，我们设计了一个改进的异常分数，它能更有效地利用表示学习和聚类的联合力量。涉及30个不同数据集上的17种基线方法的大量实验验证了所提出方法的有效性和泛化能力，超越了最先进的方法。
引用
@article{arxiv.2406.00452,
title = {Towards a Unified Framework of Clustering-based Anomaly Detection},
author = {Zeyu Fang and Ming Gu and Sheng Zhou and Jiawei Chen and Qiaoyu Tan and Haishuai Wang and Jiajun Bu},
journal= {arXiv preprint arXiv:2406.00452},
year = {2024}
}