あらゆる揺らぎを捉える：動的コンセプト適応による異常検知の強化

要旨: オンライン異常検知（OAD）は、進化し続けるデータストリームに対するリアルタイム分析および意思決定において重要な役割を果たします。しかし、既存の手法の多くはコストの高い再学習や硬直した決定境界に依存しているため、動的な環境における概念ドリフトに対し、効果的かつ効率的に適応する能力が制限されています。これらの課題に対処するため、我々はOADのための動的概念適応フレームワークであるDyMETERを提案します。DyMETERは、単一のオンラインな枠組みの中で、オンザフライのパラメータシフトと動的しきい値付けを統合します。DyMETERはまず、過去データ上で静的な検出器を学習し、反復する中心的概念を捉え、その後、ドリフトが発生すると新しい概念に適応するために、動的モードへ移行します。具体的には、DyMETERは静的検出器に対する、インスタンスに応じたパラメータシフトを生成するためのハイパーネットワークを活用する、新しい動的概念適応メカニズムを用います。これにより、再学習や微調整なしに、効率的かつ効果的な適応が可能になります。頑健で解釈可能な適応を実現するために、DyMETERは軽量な進化コントローラを導入し、適応的な更新のためのインスタンスレベルの概念不確実性を推定します。さらに、DyMETERは動的しきい値最適化モジュールを用いて、不確実なサンプルの候補ウィンドウを維持することで、意思決定境界を適応的に再調整し、進化し続ける概念との継続的な整合を保証します。大規模な実験により、DyMETERは幅広い応用シナリオにおいて、既存のOAD手法を大きく上回る性能を示すことが確認されました。