Anomália-észlelési algoritmusok többszempontú összehasonlítása

A multi-criteria comparison of anomaly detection algorithms

Abstract

Anomaly detection is the technique of finding out-of-the-ordinary occurrences inside datasets. For this goal, several anomaly detection techniques were created in many areas (e.g., economics, industrial processes, health, environmental monitoring, etc.) employing general artificial intelligence and signal processing algorithms. The original dataset features and user-selected hyperparameter parameters substantially affect these algorithm's performance. Researchers must try several approaches with varied hyperparameter settings since there is no ideal solution for a domain or dataset. Researchers should evaluate the performance of these algorithms from several perspectives. Most work is done on particular problem contexts or areas, and methods are assessed from one or a few viewpoints using "default" parameters without hyperparameter optimisation.  This article discusses the results of a comprehensive anomaly detection benchmarking that evaluated 34 algorithms on numerous relevant datasets from a broad range of fields. Results are presented from various angles. Hyperparameter optimisation is used to determine the optimal parameters for each method and dataset in each test scenario. This paper discusses the pros and cons of several methods and presents a taxonomy of anomaly detection algorithms depending on the problem context and input data.

Kivonat

Az anomália-észlelés az adathalmazokon belüli, a szokásostól eltérő előfordulások megtalálásának technikája. E cél érdekében számos területen (pl. közgazdaságtan, ipari folyamatok, egészségügy, környezetmonitoring stb.) mesterséges intelligencia és jelfeldolgozó algoritmusok alkalmazásával számos anomália-detektáló technikát hoztak létre. A felhasználó által kiválasztott hiperparaméterek jelentősen befolyásolják ezen algoritmusok teljesítményét. A kutatóknak többféle megközelítést kell kipróbálniuk változatos hiperparaméter-beállításokkal, mivel nincs ideális megoldás egy tartományra vagy adatkészletre. Ezen algoritmusok teljesítményét a kutatók több szempontból kell értékeljék. A legtöbb munka bizonyos kérdéseken vagy területeken történik, és a módszereket egy vagy néhány nézőpontból értékelik "alapértelmezett" paraméterek használatával, hiperparaméter-optimalizálás nélkül. Ez a cikk egy átfogó anomália-észlelési benchmarking eredményeit tárgyalja, amely 34 algoritmust értékelt számos releváns adatkészleten, számos területről. Az eredményeket különböző szögekből mutatjuk be. A hiperparaméter-optimalizálást az egyes módszerek és adatkészletek optimális paramétereinek meghatározására használtuk minden tesztforgatókönyvben. Ez a cikk számos módszer előnyeit és hátrányait tárgyalja, és bemutatja az anomália-észlelő algoritmusok taxonómiáját a probléma és a bemeneti adatok függvényében.