1. 引言
本文所讨论的内容为笔者对外文文献的翻译，并加入了笔者自己的理解和总结，文中涉及到的原始外文论文和相关学习链接我会放在reference里，另外，推荐读者朋友购买 Stephen Boyd的《凸优化》Convex Optimization这本书，封面一半橘黄色一半白色的，有国内学者翻译成了中文版，淘宝可以买到。这本书非常美妙，能让你系统地学习机器学习算法背后蕴含的优化理论，体会数学之美。
本文主要围绕下面这篇paper展开内涵和外延的讨论：
[1] Siddiqui M A, Fern A, Dietterich T G, et al. Feedback-guided anomaly discovery via online optimization[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 2200-2209.
同时会在文章前半部分介绍这篇paper涉及到的2个主要理论：1）Active Learn；2）(online) Convex Optimization；3）isolation forest的相关内容请参阅另一篇blog。
笔者这里先简单概括一下这篇笔者所理解的这篇paper的主要核心思想：
1. 主动学习思想的融合：
主动学习，也叫查询学习，它要求算法在每轮学习迭代中能够基于某种策略，从当前样本集中选择出“最不确定的一个或一组样本”。从这个角度来思考，无监督异常检测算法普遍都能胜任这个目标，作者在paper中也提到了这个框架的可插拔性，paper中选择了 isolation forest孤立森林算法，每一轮迭代中，通过不断将 isolation tree 当前不确定的数据（无监督模型发现的异常数据），也即最浅路径叶节点输出给外部反馈者并接受feedback label（正例 or 负例），以此获得一批打标样本。
值得注意的是，这种反馈算法框架和具体的abnormal detection algorithm无关，不管是generalized linear anomaly detectors (GLADs)还是tree-based anomaly detectors，都可以应用。相关的讨论可以参阅其他的文章：
Active Anomaly Discovery (AAD) algorithm https://www.onacademic.com/detail/journal_1000039828922010_bc30.html https://www.researchgate.net/publication/_Incorporating_Feedback_into_Tree-based_Anomaly_Detection Loda: Lightweight on-line detector of anomalies https://link.springer.com/article/10.1007%2Fs10994-015-5521-0 SSAD (Semi-Supervised Anomaly Detection) Active learning for network intrusion detection https://www.deepdyve.com/lp/association-for-computing-machinery/active-learning-for-network-intrusion-detection-4Y5zwDUev5 Toward Supervised Anomaly Detection https://jair.org/index.php/jair/article/view/10802
讯享网
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/123552.html