潜类上下文异常的无监督检测与解释
机器学习
2018-07-02 v1 机器学习
摘要
检测和解释异常是一项具有挑战性的工作。当数据表现出强依赖性且单个测量需在其各自上下文中评估和分析时，这一点尤其成立。在本工作中，我们考虑样本非独立同分布(i.i.d)的场景，即样本依赖于通过给定依赖结构（上下文信息）相连的对应离散潜变量。我们的贡献有两部分：(i) 在支持向量数据描述(SVDD)基础上，我们推导出一种能处理潜类依赖结构且仍可高效优化的方法。我们进一步表明，我们的方法巧妙地推广了原始 SVDD 以及 k-means 和条件随机场(CRF)，并给出了相应的概率解释。(ii) 在无法量化异常检测器准确性的无监督场景中，具备人类可解释的解决方案是成功的关键。基于深度泰勒分解以及将训练好的异常检测器重构为神经网络，我们能够将预测反向传播至像素域，从而识别高相关性的特征与区域。我们在具有已知时空结构的人工数据上展示了我们新方法的有用性，并成功在合成及石油工业真实世界海上数据上进行了验证。
引用
@article{arxiv.1806.11326,
title = {Unsupervised Detection and Explanation of Latent-class Contextual Anomalies},
author = {Jacob Kauffmann and Grégoire Montavon and Luiz Alberto Lima and Shinichi Nakajima and Klaus-Robert Müller and Nico Görnitz},
journal= {arXiv preprint arXiv:1806.11326},
year = {2018}
}