校准单类分类模型

抗污染更准边界

该模型通过不确定性建模与原生异常校准，在训练数据混入异常时仍能学习可靠的数据正常性边界。

Xu, Hongzuo · Wang, Yijie · 蹇松雷 · 廖清 · 王勇军 · Pang, Guansong

IEEE Transactions on Knowledge and Data Engineering 2024

技术优势

抗异常污染

模型自适应惩罚不确定预测，抑制训练数据中的不规则样本，缓解异常污染对正常性学习的负面影响。

异常感知校准

通过扰动创建原生异常示例，让单类学习在区分这些伪异常的过程中形成更精确的正常性边界。

性能大幅提升

在十个真实数据集上与十六个最新方法对比，取得明显优势。

应用场景

• 系统监控：精确的正常性边界减少误报，提升系统可用性监测的可靠性。
• 网络入侵检测：模型抗异常污染，能在背景流量含异常时仍准确识别入侵。
• 工业设备健康管理：更精确的正常性边界助力早期检测设备状态偏离，避免突发故障。
• 生化传感数据异常检测：模型能处理含噪声的传感数据，准确识别异常信号。
• 医疗监护数据异常检测：可靠的正常性边界有助于及时发现患者指标的异常变化。