通过知识-数据对齐的弱监督异常检测
机器学习
2024-02-07 v1
摘要
异常检测（AD）在众多基于网络的应用中起着关键作用，包括恶意软件检测、反洗钱、设备故障检测和网络故障分析。大多数依赖无监督学习的方法由于缺乏标签而难以达到令人满意的检测精度。弱监督异常检测（WSAD）通过引入有限数量的标记异常样本来增强模型性能。然而，对于在标记数据不足的情况下训练的模型来说，泛化到未见过的异常仍然具有挑战性。在本文中，我们引入了一个新颖的框架知识-数据对齐（KDAlign），以整合通常由人类专家总结的规则知识，来补充有限的标记数据。具体来说，我们将这些规则转换到知识空间，随后将知识的融入重新表述为知识与数据的对齐。为了促进这种对齐，我们采用了最优传输（OT）技术。然后，我们将OT距离作为额外的损失项加入到WSAD方法的原始目标函数中。在五个真实世界数据集上的全面实验结果表明，我们提出的KDAlign框架明显优于其最先进的对应方法，在各种异常类型上实现了卓越的性能。
引用
@article{arxiv.2402.03785,
title = {Weakly Supervised Anomaly Detection via Knowledge-Data Alignment},
author = {Haihong Zhao and Chenyi Zi and Yang Liu and Chen Zhang and Yan Zhou and Jia Li},
journal= {arXiv preprint arXiv:2402.03785},
year = {2024}
}
备注
Accepted by WWW 2024