NNG-Mix:通过伪异常生成改进半监督异常检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 异常检测 (AD) 对于识别复杂系统中的罕见事件至关重要.
• 由于标签成本高,AD通常不受监督,但半监督的方法从有限的专家标签数据中受益.
• 现有的增强技术可能无法最佳地利用有限的标记异常.

研究的目的:

• 介绍一种新的算法,即近邻高斯混合 (NNG-Mix),用于生成伪异常.
• 通过增加有限的标记异常数据来增强半监督和监督异常检测.
• 通过有效的数据增强,提高异常检测系统的性能.

主要方法:

• 开发了近邻高斯混合 (NNG-Mix) 算法.
• NNG-Mix集成了标记和未标记的数据,以产生伪异常.
• 通过在增强数据集上训练现有的AD算法并与Mixup和Cutout进行比较来评估NNG-Mix.

主要成果:

• NNG-Mix显著优于常见的增强技术,如混合和切割.
• 在57个ADBench数据集上的实验表明,与基线方法相比,性能有了显著的改善.
• 在ADBench中,在古典学上取得了高达16.4%的改进,在CV上达到8.8%,在NLP数据集上达到8.0%.

结论:

• NNG-Mix是一种有效的数据增强方法,用于半监督和监督异常检测.
• 该算法成功生成了有价值的伪异常,提高了AD模型的性能.
• NNG-Mix提供了一种实际的解决方案,可以在有限的标记数据下改善异常检测.