基于在线演化脉冲神经网络的数据流无监督异常检测
神经与进化计算
2021-03-10 v2 人工智能
机器学习
摘要
数据流中的无监督异常发现是一个具有众多实际应用的研究课题。然而，在许多情况下，难以收集带有标记异常的足够训练数据，以对异常检测器进行有监督学习，从而后续部署用于识别流数据中的真实异常。因此，设计无需访问标记训练数据即可正确检测异常的异常检测器十分重要。我们的思路是将在线演化脉冲神经网络（OeSNN）分类器适配于异常检测任务。由此，我们提出了一种用于无监督异常检测的在线演化脉冲神经网络算法（OeSNN-UAD），其与 OeSNN 不同，以无监督方式工作，且不将输出神经元划分为不相交的决策类。OeSNN-UAD 使用了我们提出的新型两步异常检测方法。此外，我们推导了 OeSNN 神经元模型与输入层编码的新理论性质，从而在 OeSNN-UAD 方法中实现更有效且高效的异常检测。所提出的 OeSNN-UAD 检测器在实验中与来自 Numenta Anomaly Benchmark 和 Yahoo Anomaly Datasets 仓库的 SOTA 无监督及半监督数据流异常检测器进行了比较。在 Numenta Anomaly Benchmark 仓库的数据流情况下，我们的方法优于文献中提供的其他方案。此外，在 Yahoo Anomaly Benchmark 仓库的真实数据文件中，OeSNN-UAD 优于其他所选算法，而在 Yahoo Anomaly Benchmark 合成数据文件中，其提供了与近期文献报道结果相竞争的结果。
引用
@article{arxiv.1912.08785,
title = {Unsupervised Anomaly Detection in Stream Data with Online Evolving Spiking Neural Networks},
author = {Piotr S. Maciąg and Marzena Kryszkiewicz and Robert Bembenik and Jesus L. Lobo and Javier Del Ser},
journal= {arXiv preprint arXiv:1912.08785},
year = {2021}
}
备注
52 pages