Un modèle adaptatif en ligne pour la détection d’anomalies de streaming basé sur la coopération homme-machine

Les détecteurs d’anomalies sont utilisés pour distinguer les différences entre les données normales et anormales, qui sont généralement mises en œuvre en évaluant et en classant les scores d’anomalie de chaque instance. Un détecteur d’anomalies de flux statique non supervisé est difficile à ajuster dynamiquement le calcul du score d’anomalie.

Pour résoudre le problème, une équipe de recherche dirigée par le professeur Zhiwen Yu a publié ses nouvelles recherches dans Frontières de l’informatique.

L’équipe a proposé une méthode de détection d’anomalies de diffusion interactive homme-machine, nommée ISPForest, qui peut être mise à jour de manière adaptative en ligne sous la direction de la rétroaction humaine. En particulier, la rétroaction sera utilisée pour ajuster le calcul du score d’anomalie et la structure du détecteur, idéalement pour atteindre des scores d’anomalie plus précis à l’avenir.

Les résultats expérimentaux ont démontré que l’utilité d’incorporer la rétroaction peut améliorer les performances des détecteurs d’anomalies avec quelques efforts humains.

Dans la recherche, ils analysent le principe de détection d’anomalies du modèle de forêt de partitionnement spatial. Pour améliorer le détecteur d’anomalies d’origine, ils ajoutent le mécanisme de rétroaction humaine pour le résultat de la détection pendant le processus de détection d’anomalies en continu. Premièrement, à la lumière de la relation entre la structure de la forêt et le calcul du score d’anomalie, ils construisent respectivement une fonction de vraisemblance régionale et une fonction de vraisemblance d’instance, pour décrire la cohérence des résultats de détection et la rétroaction humaine.

Ensuite, les paramètres et les structures du détecteur d’anomalie d’origine sont ajustés en temps opportun selon le processus de diminution du gradient suivant le principe de l’estimation du maximum de vraisemblance. Enfin, une fonction d’incertitude des résultats de détection est conçue pour contrôler la fréquence d’interaction homme-machine.

Les résultats expérimentaux sur les effets de la rétroaction révèlent que la combinaison des détecteurs d’anomalies avec la rétroaction humaine est significative pour s’adapter à un environnement dynamique, et les performances du détecteur sont améliorées rapidement avec une légère augmentation des coûts de main-d’œuvre. Les travaux futurs peuvent envisager l’extension de la méthode et explorer la détection d’anomalies de séries chronologiques sous le mécanisme de rétroaction.

Fourni par la presse de l’enseignement supérieur