【论文标题】Deep Reinforcement Learning for Unknown Anomaly Detection
【作者团队】Guansong Pang，Anton van den Hengel，Chunhua Shen，Longbing Cao 【发表时间】2020/9/15 【论文链接】https://arxiv.org/abs/2009.06847 【参考链接】https://sites.google.com/site/gspangsite/sourcecode 【推荐理由】 本文来自澳大利亚机器学习研究院和悉尼科技大学高级分析研究所联合团队，本文提出了一种基于深度强化学习(DRL)异常检测方法，该方法不仅能够充分利用有限已标记的异常数据，还能够对大量未标记的异常数据范围和新的异常类别进行主动学习和探索以提高异常检测问题的精度。 本文目标是从少量部分标记的异常数据集和大规模未标记数据集中学习检测模型以提高异常检测的精度。在大多数异常检测场景中，可用的未标记数据的数量远远超过实际处理的数量且未标记的数据集通常会被任意截断。因此，现有异常检测的方法要么对未标记的异常数据进行无监督处理，要么只拟合适用于无法涵盖整个异常数据集的有限异常示例。基于此，本文提出了一种基于深度强化学习的方法，该方法主动寻找超出标记训练数据范围之外的新异常类别。其可以利用现有数据模型与探索新的异常类别之间取得平衡。因此，它可以利用标记的异常数据来提高检测精度，而不是将所寻求的异常数据限制在给定的异常示例中。该研究具有突破性的进展，因为异常数据就形式上而言是不可预测的，并且错失异常数据往往代价很大。基于深度强化学习的方法在48个真实数据集上进行大量实验验证，该模型与五个最先进的半监督和无监督方法相比，该方法明显优于现有的五种最先进方法。 图 1 : 基于深度强化学习的部分标记异常（DPLAN）检测方法 图 2 ：13个真实数据集的AUC-PR和AUC-ROC结果(平均值±标准差 %)

内容中包含的图片若涉及版权问题，请及时与我们联系删除