综述:弱监督下的异常检测算法

发布网友 发布时间：2024-10-24 09:34

我来回答

共1个回答

热心网友 时间：2024-11-01 02:13

Weakly Supervised Anomaly Detection: A Survey

本文综述了弱监督下的异常检测算法，简称WSAD。

针对异常检测问题，面临的挑战和问题较为一致。本文从标签角度出发，讨论了弱监督情况下的异常检测问题。大多数异常检测采用非监督方法，如去编码高级特征，重新生成数据，进行对比，得到异常。而对于监督方法来说，虽然存在标签，但标签质量难以保证。

本文将针对弱监督异常检测的论文进行整合，并从三个角度进行分类，以方便进一步了解该领域的读者寻找合适的论文进行阅读。

3.1 场景

获取完整的信用卡欺诈标签集，需要手动标注所有正常和异常交易，这通常耗时且成本高。

3.2 方法

本文提出的方法主要通过无监督表示学习，学习特征的embedding来区分异常与否。对于监督情况，通过可获得的部分监督信息来改进学习方法。例如XGBOD使用无监督方法作为特征提取器，通过监督模型学习。深度学习方法主要将特征提取部分换为神经网络，一些网络是端到端的结构，来学习异常和非异常的分布，带有标签的作为加强。

3.3 将来一些思考

4. 模型选择和超参数

4.1 场景

公司可以获得用户级异常标签，这些标签仅表明用户是否参与了欺诈等非法活动。而我们更感兴趣的是用户的哪些交易是异常的。

4.2 方法

主要基于multi-instance learning (MIL)的方法，还提出了新的评估指标或模型选择策略来解决这个问题。

4.3 将来一些思考

5.1 场景

标签存在噪音和损坏的情况，这在网络入侵检测中十分常见。

5.2 方法

1. ensemble learning：通过集成学习或设计降噪的网络，将标签噪声在模型训练过程中的影响降至最低，从多个噪声源中提取有用的标签信息。

2. denoising network：通过attention来过滤类别的噪声，通过去噪系统解决这类问题。

3. graph learning：针对视频数据，引入graph learning。

六、实验

使用6个基准算法在47个公开数据上进行了测试，具体实验结果可参考github.com/yzhao062/wsa...