SetAD: Kontextbasierte Anomalieerkennung mit Set-Level-Lernverfahren

Die neue Methode SetAD bringt semi-supervised Anomaly Detection (AD) auf ein neues Level, indem sie die Analyse von Daten nicht mehr auf einzelne Punkte oder Paare beschränkt, sondern ganzheitlich auf ganze Sets fokussiert. Durch die Nutzung begrenzter gelabelter Daten kann SetAD die komplexen Interaktionen innerhalb von Gruppen erkennen und dadurch Anomalien genauer identifizieren.

SetAD nutzt einen attentionbasierten Set-Encoder, der über ein graduelles Lernziel trainiert wird. Das Modell lernt, den Grad der Anomalie eines gesamten Sets zu quantifizieren, anstatt nur einzelne Datenpunkte zu bewerten. Diese Vorgehensweise ermöglicht es, die hochgradigen Wechselwirkungen zwischen den Elementen eines Sets zu erfassen, die für die Unterscheidung von normalen und anomalen Mustern entscheidend sind.

Zur weiteren Verbesserung der Robustheit und der Score-Kalibrierung wurde ein kontextkalibriertes Anomalie-Scoring eingeführt. Dabei wird der Anomalie-Score eines Punktes berechnet, indem seine normalisierten Abweichungen von den Verhaltensweisen seiner Peers über mehrere, vielfältige Kontextsets aggregiert werden. Diese Technik sorgt dafür, dass die Bewertung eines Punktes nicht nur von seinem unmittelbaren Umfeld, sondern von einer breiten Palette kontextueller Informationen beeinflusst wird.

In umfangreichen Experimenten auf zehn realen Datensätzen hat SetAD die Leistung führender Modelle deutlich übertroffen. Besonders bemerkenswert ist, dass die Genauigkeit des Modells mit zunehmender Setgröße kontinuierlich steigt, was die Wirksamkeit des Set-Level-Ansatzes unterstreicht. SetAD demonstriert damit, dass die Berücksichtigung von Gruppendynamiken und kontextuellen Beziehungen ein entscheidender Faktor für die Entwicklung leistungsfähiger Anomalieerkennungsalgorithmen ist.