弱监督异常检测：一项综述
机器学习
2023-02-10 v1 人工智能
摘要
异常检测（AD）是机器学习中的一项关键任务，具有多种应用，例如检测新发疾病、识别金融欺诈和检测假新闻。然而，由于数据标注的成本和困难，为AD任务获取完整、准确和精确的标签可能代价高昂且具有挑战性。为解决此问题，研究人员开发了可使用不完整、不精确和不准确监督工作的AD方法，统称为弱监督异常检测（WSAD）方法。在本研究中，我们首次对WSAD方法进行了全面综述，将其按上述三种弱监督设置分类，涵盖四种数据模态（即表格、图、时间序列和图像/视频数据）。对于每种设置，我们提供了形式化定义、关键算法和潜在未来方向。为支持未来研究，我们在一个选定设置上进行了实验，并发布了源代码，以及一组WSAD方法和数据集合。
引用
@article{arxiv.2302.04549,
title = {Weakly Supervised Anomaly Detection: A Survey},
author = {Minqi Jiang and Chaochuan Hou and Ao Zheng and Xiyang Hu and Songqiao Han and Hailiang Huang and Xiangnan He and Philip S. Yu and Yue Zhao},
journal= {arXiv preprint arXiv:2302.04549},
year = {2023}
}
备注
Code available at https://github.com/yzhao062/wsad