Tiefes unsupervised Anomalieerkennung

In diesem Paper wird eine neuartige Methode zur Anomalieerkennung in großen Datensätzen unter einer vollständig unüberwachten Voraussetzung vorgeschlagen. Der zentrale Ansatz unseres Algorithmus besteht darin, die zugrundeliegende Darstellung normaler Daten zu lernen. Hierzu nutzen wir die neueste Clustertechnik, die sich besonders gut für die Behandlung hochdimensionaler Daten eignet. Diese Hypothese liefert einen zuverlässigen Ausgangspunkt für die Auswahl normaler Daten. Wir trainieren einen Autoencoder auf der Teilmenge normaler Daten und iterieren zwischen der Hypothese einer normalen Kandidaten-Teilmenge basierend auf Clustering und der Darstellungslernung. Der Rekonstruktionsfehler des gelernten Autoencoders dient als Bewertungsfunktion zur Beurteilung der Normalität der Daten. Experimentelle Ergebnisse auf mehreren öffentlichen Benchmark-Datensätzen zeigen, dass die vorgeschlagene Methode state-of-the-art-Verfahren im unüberwachten Kontext übertrifft und in den meisten Fällen mit semi-unüberwachten Techniken vergleichbar ist.