Red PANDA: Disambiguating Anomaly Detection by Removing Nuisance Factors

要約

異常検出方法は、セマンティックな方法で標準とは異なるパターンを発見しようとします。
年齢、人種、性別などの属性が標準と異なるデータポイントは、一部のオペレーターによって異常と見なされる場合があり、他のオペレーターはこの属性が無関係であると見なされる場合があるため、この目標はあいまいです。
以前の研究から離れて、オペレーターが異常検出に関連すると見なされることから属性を除外することを可能にする新しい異常検出方法を提示します。
次に、私たちのアプローチは、妨害属性に関する情報を含まない表現を学習します。
異常スコアリングは、密度ベースのアプローチを使用して実行されます。
重要なことに、私たちのアプローチでは、異常の検出に関連する属性を指定する必要はありません。これは通常、異常の検出では不可能ですが、無視する属性のみを指定します。
私たちのアプローチの有効性を検証する経験的調査が提示されます。

要約(オリジナル)

Anomaly detection methods strive to discover patterns that differ from the norm in a semantic way. This goal is ambiguous as a data point differing from the norm by an attribute e.g., age, race or gender, may be considered anomalous by some operators while others may consider this attribute irrelevant. Breaking from previous research, we present a new anomaly detection method that allows operators to exclude an attribute from being considered as relevant for anomaly detection. Our approach then learns representations which do not contain information over the nuisance attributes. Anomaly scoring is performed using a density-based approach. Importantly, our approach does not require specifying the attributes that are relevant for detecting anomalies, which is typically impossible in anomaly detection, but only attributes to ignore. An empirical investigation is presented verifying the effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google