Anomaly detection with semi-supervised classification based on risk estimators

要約

一クラス分類の異常検知手法の重大な限界は、ラベル付けされていない訓練データには正常なインスタンスしか含まれていないという仮定に依存していることである。この非現実的な仮定を克服するために、我々は2つの新しい分類ベースの異常検知手法を提案する。第一に、不偏リスク推定量に基づく半教師付き浅い異常検知法を紹介する。第二に、非負（バイアス）のリスク推定量を利用した半教師付き深層異常検知法を紹介する。両リスク最小化器の推定誤差境界と過剰リスク境界を設定する。さらに、特定の損失関数の下で、浅いモデルにおける経験的リスクの非負性を保証する適切な正則化パラメータを選択する手法を提案する。我々の広範な実験により、リスクベースの異常検知手法の有効性を示す強力な証拠を提供する。

要約(オリジナル)

A significant limitation of one-class classification anomaly detection methods is their reliance on the assumption that unlabeled training data only contains normal instances. To overcome this impractical assumption, we propose two novel classification-based anomaly detection methods. Firstly, we introduce a semi-supervised shallow anomaly detection method based on an unbiased risk estimator. Secondly, we present a semi-supervised deep anomaly detection method utilizing a nonnegative (biased) risk estimator. We establish estimation error bounds and excess risk bounds for both risk minimizers. Additionally, we propose techniques to select appropriate regularization parameters that ensure the nonnegativity of the empirical risk in the shallow model under specific loss functions. Our extensive experiments provide strong evidence of the effectiveness of the risk-based anomaly detection methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL