2021年10月,俄勒冈州立大学计算机科学名誉教授、被认为是机器学习领域的先驱之一的Tom Dietterich在亚马逊的年度机器学习大会上发表了主旨演讲。

他的演讲探讨了异常检测的应用,为深度学习中的对象分类提供了一个新模型。他考虑了对模型的两种威胁:分布外的查询和对应于新类的查询。

Thomas回顾了异常检测的四种主要策略,然后调查了最近在深度学习中发表的许多异常检测方法中的一些。中心的挑战是学习一种表示,分配不同的表示到异常。

该演讲的最后讨论了如何设置异常检测阈值,以在不依赖标记异常数据的情况下实现所需的漏报警率。

成为VIP会员查看完整内容
31

相关内容

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时,有趣性对象往往不是罕见对象,但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象,于是许多异常检测方法(特别是无监督的方法)将对此类数据失效,除非进行了合适的聚集。相反,聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下,无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集,并涉及到训练分类器(与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性)。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成的测试实例的可能性。
专知会员服务
74+阅读 · 2021年9月27日
专知会员服务
50+阅读 · 2021年8月8日
【WSDM2021-Ttutorial】深度学习异常检测,111页ppt
专知会员服务
150+阅读 · 2021年3月10日
电子科大最新《深度半监督学习》综述论文,24页pdf
专知会员服务
87+阅读 · 2021年3月6日
最新《深度学习视频异常检测》2020综述论文,21页pdf
专知会员服务
80+阅读 · 2020年9月30日
异常检测(Anomaly Detection)综述
极市平台
19+阅读 · 2020年10月24日
177页《鲁棒机器学习》教程【下载】
机器学习算法与Python学习
8+阅读 · 2018年11月15日
无监督学习:决策树AI异常检测
AI前线
15+阅读 · 2018年1月14日
基于机器学习的KPI自动化异常检测系统
运维帮
12+阅读 · 2017年8月16日
Arxiv
0+阅读 · 2022年2月18日
Arxiv
0+阅读 · 2022年2月17日
Transfer Adaptation Learning: A Decade Survey
Arxiv
37+阅读 · 2019年3月12日
VIP会员
微信扫码咨询专知VIP会员