异常检测

问题

已知训练数据
找到一个函数，判断输入x是否与训练数据相似

（anomaly 不一定是不好的，也被称为novelty ，outlier，exceptions detection）

什么是anomaly

取决于训练的数据，与训练数据不同的就是异常的。

应用

fraud detection

训练数据：正常刷卡行为
x:盗刷

network instrusion detection

训练数据：正常连线
x:攻击行为

cancer detection

训练数据：正常细胞
x:癌细胞

如何做异常检测

binary classification？

类1:正常数据
类2:异常数据
不能解决
原因1:异常数据太多，无法穷举

原因2:异常数据不好收集

分类

• 训练数据有标签，没见过的东西输出unkown（open-set recognition）
  模型是open的，能够对没见过的东西进行判断
• 训练数据没有标签
  • 干净的数据
  • 数据有脏东西（anomaly）

with label

例子

辛普森一家分类器

方法

使用现成分类器

训练一个分类器，给出每个类别的confidence。

设置一个阈值，大于该阈值是辛普森，小于该阈值是异常。
可行的方法：
confidence：给出最大的confidence
entropy：给出乱度，entropy越大说明分布平均，不确定是哪个类别。

训练一个可以直接输出confidence的网络

框架

训练集：辛普森一家的图片，每个图片x有标签y。训练分类器。获得confidence，根据是否超过阈值判断是否为anomaly
验证集（模仿测试集）：图片中有辛普森一家的人，也有不是的。
可以通过验证集来计算f（x）的表现，确定超参数的值（比如阈值）
测试集：输入图片x，判断是不是辛普森一家。

评估

方式：在dev set上对模型评价
注意：使用正确率不是一个好的指标。因为正负样本的比例悬殊。
一个系统可能正确率很高，但是并没有意义。
False alarm：正常被侦测为异常。
mising：异常被侦测为正常。
一个系统的好与坏，取决于False alarm比较重要，还是mising比较重要。
可以利用cost table来衡量系统的好坏。

比如癌症检测，倾向于cost tableB。
还有一些其他的衡量策略，比如AUC。

直接用分类器可能会遇到的问题

比如一个猫狗分类器
会有比猫更像猫的，比狗更像狗的

辛普森分类器
根据脸黄不黄判断

解决方法
学习一个异常confidence低的分类器
生成异常数据

without labels

例子

twitch plays pokemon
很多人在线玩这个游戏，因为有小白，有人故意的不好好玩，所以非常难玩
假设：多数玩家都是正常的，检查出异常玩家

问题形式化

测试数据：{x1,x2,…xn}
找到一个函数，能判断输入x与训练数据是否相似
说垃圾话（民主状态，通过vote决定），无政府状态（随机选）

问题：
只有大量的x，没有y

做法：

找到一个几率模型，判断是否是异常。超过阈值为正常，低于阈值为异常。

假设每个发言都是二维的，用图表示概率。

通过likelihood来决定。

常用的概率密度模型为高斯模型

可能为其他模型，但是还没有涉及
高斯模型的最优解为

然后可以用这个模型来判断是否为异常，图中的等高线就是阈值

可以在更多的featrue上建模，不止是二维的图像。

其他方法

auto-encoder

正常还原度高，异常还原度低

one-class SVM

isolated forest

总结