Radon-Nikodým Derivative: Re-imagining Anomaly Detection from a Measure Theoretic Perspective
作者: Shlok Mehendale, Aditya Challa, Rahul Yedida, Sravan Danda, Santonu Sarkar, Snehanshu Saha
发布时间: 2025-02-27
来源: arxiv
研究方向: 异常检测
主要内容
本文研究了异常检测问题，提出了一种基于Radon-Nikodym导数的加权损失函数（RN-Loss），旨在提高异常检测的性能。
主要贡献
1. 提出了一种基于Radon-Nikodym导数的加权损失函数（RN-Loss），用于异常检测。
2. 证明了RN-Loss在PAC学习框架下是可学习的。
3. 在96个数据集上进行了实验，结果表明RN-Loss在68%的多变量数据集和72%的时间序列数据集上优于现有方法。
4. 将RN-Loss应用于无监督异常检测，并取得了显著的性能提升。
研究方法
1. Radon-Nikodym导数
2. PAC学习
3. 加权损失函数
4. 无监督异常检测
实验结果
在96个数据集上进行的实验表明，RN-Loss在68%的多变量数据集和72%的时间序列数据集上优于现有方法。此外，将RN-Loss应用于无监督异常检测，也取得了显著的性能提升。
未来工作
未来可以进一步研究RN-Loss在其他异常检测场景中的应用，例如图像异常检测、文本异常检测等。此外，还可以研究如何将RN-Loss与其他异常检测方法进行结合，以进一步提高性能。