Towards Unsupervised Validation of Anomaly-Detection Models

要約

異常検出モデルの教師なし検証は非常に困難な作業です。
モデル検証の一般的な手法にはラベル付き検証セットが含まれますが、基礎となるデータセットがラベル付けされていない場合、そのような検証セットを構築することはできません。
堅牢で効率的な教師なしモデル検証技術の欠如は、特に同様のデータセットに対するモデルのパフォーマンスに関する事前知識が存在しない場合、自動異常検出パイプラインの実装において深刻な課題を引き起こします。
この研究は、現実世界の協調的な意思決定メカニズムに触発された、異常検出モデルの自動検証に対する新しいパラダイムを提示します。
私たちは、一般的に使用される 2 つの教師なしモデル検証タスク (モデル選択とモデル評価) に焦点を当て、両方のタスクに対するアプローチの精度と堅牢性を実証する広範な実験結果を提供します。

要約(オリジナル)

Unsupervised validation of anomaly-detection models is a highly challenging task. While the common practices for model validation involve a labeled validation set, such validation sets cannot be constructed when the underlying datasets are unlabeled. The lack of robust and efficient unsupervised model-validation techniques presents an acute challenge in the implementation of automated anomaly-detection pipelines, especially when there exists no prior knowledge of the model’s performance on similar datasets. This work presents a new paradigm to automated validation of anomaly-detection models, inspired by real-world, collaborative decision-making mechanisms. We focus on two commonly-used, unsupervised model-validation tasks — model selection and model evaluation — and provide extensive experimental results that demonstrate the accuracy and robustness of our approach on both tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google