ストリーミング外れ値検出のための行列逆更新におけるコストトレードオフ

Abstract

外れ値検出は、期待されるパターンから大きく逸脱するデータポイントを識別し、特別な注意を要する可能性のある異常を明らかにします。オンライン学習を組み込むことで、最新データを反映するようにモデルを継続的に更新し、精度をさらに向上します。外れ値スコアとして Christoffel 関数を用いる場合、オンライン学習は初期の逆行列を前提として、秩-k 更新に従って行列の逆行列を更新する必要があります。驚くべきことに、このタスクの最適な手法には合意がありません。本技術ノートは、異なる3つの更新法を比較し、Direct Inversion（DI）、Iterative Sherman-Morrison（ISM）、Woodbury 行列恒等式（WMI）を用いて、さまざまなシナリオに対して最も適切なアプローチを識別することを目的としています。まず、各手法の理論的計算コストを導出し、それから CPU 上で実行した包括的な Python シミュレーションによってこれらの知見を検証します。これらの結果は、単純で定量的かつ覚えやすいルールを提案することを可能にします。定性的には次のように述べることができます。ISMは秩-1の更新に対して最適であり、WMIは行列サイズに対して小さな更新には卓越し、DIはそれ以外の場合が望ましい。この技術ノートは、行列の逆行列更新を含むあらゆる問題に対して一般的な結論を提供します。特に、効率的なオンライン外れ値検出技術の継続的な開発に寄与します。