基于期望异常后验的辅助异常不确定性感知评估
机器学习
2024-05-24 v1 人工智能
摘要
异常检测是识别不符合预期示例的任务。由于异常是罕见且意外的事件，在许多应用中收集真实异常示例通常具有挑战性。此外，使用有限（或没有）异常来学习异常检测器通常会导致较差的预测性能。一种选择是使用辅助合成异常来改进模型训练。然而，合成异常可能质量较差：不现实或无法与正常样本区分的异常可能会降低检测器的性能。不幸的是，现有方法无法量化辅助异常的质量。我们填补了这一空白，并提出了期望异常后验（EAP），一种基于不确定性的评分函数，通过量化异常检测器的总不确定性来衡量辅助异常的质量。在 40 个图像和表格数据基准数据集上的实验表明，在大多数情况下，EAP 优于 12 种自适应数据质量估计器。
引用
@article{arxiv.2405.13699,
title = {Uncertainty-aware Evaluation of Auxiliary Anomalies with the Expected Anomaly Posterior},
author = {Lorenzo Perini and Maja Rudolph and Sabrina Schmedding and Chen Qiu},
journal= {arXiv preprint arXiv:2405.13699},
year = {2024}
}