異常検出の問題は何ですか？

異常検出には次のようなさまざまな問題があります-

異常を定義するために使用される属性の数 −オブジェクトが異常であるかどうかの問題は、個々の属性に依存します。その属性に対するオブジェクトの値が異常であるかどうかの問題です。オブジェクトには複数の属性が含まれる可能性があるため、複数の属性には異常な値が含まれる可能性がありますが、複数の属性には通常の値が含まれる可能性があります。

さらに、オブジェクトの属性値が独立して異常でない場合でも、オブジェクトが異常になる可能性があります。たとえば、身長が2フィート（子供）または体重が300ポンドの人がいるのは一般的ですが、身長が2フィートの人が体重が300ポンドの人がいるのは異常です。

異常の説明では、オブジェクトが異常であるかどうかを判断するために複数の属性の値をどのように使用するかを定義する必要があります。これは、データの次元が大きい場合に不可欠な問題です。

グローバルとローカルの視点 −オブジェクトは、すべてのオブジェクトに関して異常に見える可能性がありますが、そのローカル近隣のオブジェクトに関してはそうではありません。たとえば、身長が6フィート5インチの人は、一般の人々に関しては非常に背が高いですが、プロのバスケットボール選手に関してはそうではありません。

ポイントが異常である程度 −オブジェクトの異常の評価は、いくつかの方法でバイナリ形式で文書化されます。オブジェクトは異常であるか、そうでないかです。一般に、これは、一部のオブジェクトが他のオブジェクトよりも激しい異常であるという基本的な現実を反映していません。したがって、オブジェクトが異常である程度を複数回評価することは魅力的です。この評価は、異常スコアまたは外れ値スコアと呼ばれます。

一度に1つの異常を特定するのに対して、一度に多くの異常を特定する −一部の方法では、異常は一度に1つずつ除去されます。つまり、最も異常な例が認識されて削除され、手順が繰り返されます。複数の手法の場合、一連の異常が一緒に認識されます。

一度に1つの異常を認識しようとする手法は、マスキングと呼ばれる問題の影響を受けることがよくあります。この場合、複数の異常が存在すると、すべての異常がマスクされます。言い換えると、複数の外れ値を一度に識別する手法では、通常のオブジェクトが外れ値として定義されている場合に、スワンピングが発生する可能性があります。モデルベースの方法では、異常によってデータモデルが変更されるため、これらの影響が現れる可能性があります。

効率 −いくつかの異常検出スキームの計算コストには重要な違いがあります。分類ベースのスキームは、分類モデルを作成するために不可欠なリソースを必要とする可能性がありますが、一般的には安価に使用できます。同様に、統計手法は統計モデルを生成し、一定時間で要素を分類できます。