Locally Adaptive One-Class Classifier Fusion with Dynamic $\ell$p-Norm Constraints for Robust Anomaly Detection

要約

この論文では、動的な $\ell$p-norm 制約を使用した局所適応学習による 1 クラス分類器融合への新しいアプローチを紹介します。
ローカルデータ特性に基づいて融合重みを動的に調整するフレームワークを導入し、アンサンブルベースの異常検出における根本的な課題に対処します。
私たちの手法には、従来の Frank-Wolfe 手法と比較して計算効率を大幅に向上させる内点最適化手法が組み込まれており、複雑なシナリオで最大 19 倍の速度向上を達成します。
このフレームワークは、標準的な UCI ベンチマーク データセットと特殊な時系列データセットで広範囲に評価されており、さまざまな異常タイプにわたって優れたパフォーマンスを実証しています。
Skillings-Mack テストによる統計的検証により、純粋学習シナリオと非純粋学習シナリオの両方で一貫して上位にランクされ、既存のアプローチに対するこの手法の大きな利点が確認されました。
計算効率を維持しながらローカル データ パターンに適応するフレームワークの機能は、迅速かつ正確な異常検出が重要なリアルタイム アプリケーションにとって特に価値があります。

要約(オリジナル)

This paper presents a novel approach to one-class classifier fusion through locally adaptive learning with dynamic $\ell$p-norm constraints. We introduce a framework that dynamically adjusts fusion weights based on local data characteristics, addressing fundamental challenges in ensemble-based anomaly detection. Our method incorporates an interior-point optimization technique that significantly improves computational efficiency compared to traditional Frank-Wolfe approaches, achieving up to 19-fold speed improvements in complex scenarios. The framework is extensively evaluated on standard UCI benchmark datasets and specialized temporal sequence datasets, demonstrating superior performance across diverse anomaly types. Statistical validation through Skillings-Mack tests confirms our method’s significant advantages over existing approaches, with consistent top rankings in both pure and non-pure learning scenarios. The framework’s ability to adapt to local data patterns while maintaining computational efficiency makes it particularly valuable for real-time applications where rapid and accurate anomaly detection is crucial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google