基于稀疏贝叶斯回归的异常检测.pdfVIP

计 算 机 与 现 代 化 2015年第 1期 JISUANJIYUXIANDAIHUA 总第233期 文章编号：1006-2475(2o15)01-0057-04 基于稀疏贝叶斯 回归的异常检测 苏乐群 ，冯爱民 (南京航空航天大学计算机科学与技术学院，江苏 南京 210016) 摘要：异常检测问题 中的数据可以看作是正常信息和异常信息的高度混合，在使得正常信息损失最小的情况下，异常点 集合就是前K个包含最多异常信息的样本。启发于这种思想，提出一种基于稀疏贝叶斯回归的异常检测模型，该方法通 过在传统的核函数基础上融入Bayesian推理框架，对数据进行回归估计，利用残差法找出偏离程度较大的样本为异常样 本。实验结果表明，该方法具有 良好的稀疏性和检测精度。 关键词：稀疏贝叶斯回归；残差法；异常检测；回归估计；稀疏性 中图分类号：TP18 文献标识码：A doi：10．3969／j．issn．10062·475．2015．01．011 AnomalyDetectionBasedonSparseBayesianRegression SU Le—qun，FENGAi—min (CollegeofComputerScienceandTechnology，NanjingUniversityAeronauticsandAstronautics，Nanjing210016，China) Abstract：Thedatacanberegardedasoutliershighlyintermixedwithnomr aldatainthefieldofanomalydetection．Withmini- mal lossofnornlalinformationinthemode1．outliersareviewedasthetopK samplesholdingmaximalabnomr al informationina dataset．Inspiredbythisidea，ananomalydetectionmodelbasedonsparsebayesianregressionwhichtakentheBayesianinferring frameworkintotraditionalkernelfunctionwasproposedtofindthesampleseriousdeviatedfrom themodelthoughtheresuhofre． gressestimation．Experimentresultsshow thatthisalgorithm isofgoodsparsityna ddetectionaccuracy． Keywords：spraseBayesianregression；residualmethod；anomalydetection；rergessestimation；sparsity 2)所选取的核函数必须满足 Mercer条件，在一 0 引 言 定程度上限制了它的发展和应用。 异常可以认为是那些与数据集大多数样本极度 3)SVR方法的结果依赖于不敏感参数和惩罚参 不一致的样本，基于上述描述，异常检测最常用的思 数的选择，这些需要通过交叉验证选取，增加了时间 想是 ：设计一个描述数据信息的模型，认为不符合该 开销 。 模型的样本为 “异常样本”。回归分析是 目前对数据 针对这些 问题，本文提出基 于稀疏贝叶斯 回 模型预测的最为流行的方法，代表算法有最小二乘回 归 的异常检测，对流形数据进行回归分析和异常 归和支持向量回归等 。 预测，实验证明该方法能够获得