조건부 이상 탐지

이상 탐지 소프트웨어가 데이터 분석 도구로 사용될 때, 가장 탐지하기 어려운 이상을 찾는 것이 가장 중요한 작업은 아닙니다. 오히려, 사용자에게 보고되는 이상이 실제로 흥미로운 것인지 확인하는 것이 더 중요합니다. 후보 이상으로 표시된 평범하지 않은 데이터 포인트가 너무 많으면 소프트웨어는 곧 사용되지 않을 수 있습니다. 반환된 이상이 유용하도록 보장하는 한 가지 방법은 사용자가 제공한 분야 지식을 활용하는 것입니다. 종종 문제의 데이터에는 사용자가 직접적으로 이상을 나타낸다고 고려하지 않는 환경 속성 집합이 포함되어 있습니다. 하지만 이러한 속성은 결과 속성의 값에 직접적인 영향을 미치기 때문에 무시할 수 없습니다. 결과 속성의 값은 이상 관측을 나타낼 수 있습니다. 이 논문은 속성 간의 이러한 차이를 고려하기 위해 조건부 이상 탐지라고 하는 일반 목적 방법을 설명하고, 조건부 이상 탐지에 사용되는 모델을 학습하기 위한 세 가지 서로 다른 기대 최대화 알고리즘을 제안합니다. 13개 이상의 다양한 데이터 세트에 대한 실험은 우리의 알고리즘을 여러 다른 표준 이상 탐지 방법과 비교합니다.