Aktif Öğrenme Yalıtım Ormanı
Active Learning with Isolation Forest for Anomaly Detection · Ayrıca şöyle bilinir: AL-iForest, active anomaly detection with isolation forest, active isolation forest, query-guided isolation forest
Aktif Öğrenme Yalıtım Ormanı, Yalıtım Ormanı'nın denetimsiz aykırı değer puanlama gücünü, en bilgilendirici örnekleri etiketlemesini isteyen yinelemeli bir sorgu stratejisiyle birleştirir. Sonuç, minimal bir etiketleme bütçesi kullanarak aykırı değer sınırlarını iyileştiren ve nadir ve ince aykırı değerlerde tamamen denetimsiz bir temele kıyasla hassasiyeti önemli ölçüde artıran bir dedektördür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmemiş veya çoğunlukla etiketsiz tablo verileri üzerinde bir aykırı değer tespit göreviyle karşılaştığınızda ve az sayıda uzman etiketini karşılayabiliyorsanız — genellikle birkaç tur boyunca 10-100 sorgu — Aktif Öğrenme Yalıtım Ormanı'nı kullanın. Özellikle siber güvenlik, dolandırıcılık tespiti, tahmine dayalı bakım ve klinik aykırı değer belirleme gibi yanlış pozitiflerin maliyetli olduğu ve bir alan uzmanının sunulan bir örneği güvenilir bir şekilde yargılayabileceği durumlar için uygundur. Güvenilir bir oracle'ın bulunmadığı, aykırı değer kavramının zaman içinde kararsız olduğu veya örnek başına etiketleme maliyetinin çok yüksek olduğu ve hatta 10 sorgunun bile imkansız olduğu durumlarda kullanmayın. Birkaç yüz aykırı değerden oluşan etiketlenmiş bir veri kümesi mevcut olduğunda, tamamen denetimli bir sınıflandırıcı tercih edilmelidir.
Güçlü yönler & sınırlılıklar
- Yalıtım Ormanı'nın ölçeklenebilirliğini ve yorumlanabilirliğini kullanırken, minimal etiketleme çabasıyla uzman bilgisini enjekte eder.
- Yüksek riskli alanlarda maliyetli yanlış pozitifleri azaltarak, tamamen denetimsiz bir temele kıyasla hassasiyeti önemli ölçüde iyileştirir.
- Modelden bağımsız sorgu stratejileri (belirsizlik, en-iyi-k, çeşitlilik), yalnızca Yalıtım Ormanı'na değil, herhangi bir aykırı değer puanlayıcısına uyarlanabilir.
- Aykırı değerlerin son derece nadir olduğu ve denetimli öğrenmenin büyük etiketlenmiş veri kümeleri gerektireceği sınıf dengesizliği durumlarında iyi çalışır.
- Her sorgu turu, ilerlemeyi paydaşlara şeffaf hale getirerek aykırı değer sıralamasında anında, ölçülebilir bir iyileşme sağlar.
- Güvenilir ve mevcut bir oracle gerektirir; uzman etiketleri gürültülü veya tutarsız ise, geri bildirim modeli bozabilir.
- Sorgu stratejileri, her turda tüm havuzun puanlanmasının mümkün olduğunu varsayar, bu da çok büyük veri kümeleri için maliyetli olabilir.
- Yaklaşım, nihai model seçilen sorgulara ve sağlanan etiketlere bağlı olduğundan, basit bir Yalıtım Ormanı'ndan daha fazla yeniden üretilmesi ve denetlenmesi zordur.
- Aykırı değerlerin doğasının zamanla değiştiği kavram kayması otomatik olarak ele alınmaz ve aktif döngünün yeniden başlatılmasını gerektirebilir.
SSS
Anlamlı bir iyileşme için tipik olarak kaç etiketlenmiş örnek gerekir?
Oracle etiketlerinin güvenilir olması koşuluyla, 10 ila 50 uzman etiketi, 3 ila 5 geri bildirim turuna yayılmış, tamamen denetimsiz bir Yalıtım Ormanı'ndan hassasiyet açısından önemli ölçüde daha iyi performans göstermek için genellikle yeterlidir.
Her turdan sonra temel Yalıtım Ormanı'nın sıfırdan yeniden eğitilmesi gerekir mi?
Zorunlu değil. Birçok uygulama, tam yeniden eğitim yapmadan mevcut ağaç yollarını yeniden ağırlıklandırır veya yeniden sıralar, bu da hesaplama açısından verimlidir. Etiket kısıtlamalarıyla tam yeniden eğitim, etiketlenmiş küme yeterince büyüdüğünde bir seçenektir.
Aykırı değer tespiti için hangi sorgu stratejisi en iyi sonucu verir?
En yüksek puanlı etiketsiz örnekleri seçen en-iyi-k puanlama, aykırı değerler nadir olduğunda basittir ve etkilidir. Aykırı değer sınırı belirsiz olduğunda belirsizlik veya marj tabanlı stratejiler yardımcı olur. Çeşitlilik farkındalığı stratejileri sorgular arasındaki fazlalığı azaltır.
Bu yaklaşım akışkan veya çevrimiçi verileri işleyebilir mi?
Standart Yalıtım Ormanı bir yığın yöntemidir, bu nedenle aktif öğrenme uzantıları da yığın odaklı olma eğilimindedir. Akış ortamları için, aktif geri bildirim uygulanmadan önce Yalıtım Ormanı'nın çevrimiçi veya kayan pencere varyantları gereklidir.
Yalnızca birkaç örnek etiketlendiği göz önüne alındığında modeli adil bir şekilde nasıl değerlendiririm?
Asla sorgulama için kullanılmayan ayrı bir etiketlenmiş test kümesini tutun. Sorgulanan etiketlere aşırı uyum sağlamak yerine gerçek iyileşmeyi izlemek için her turda bu küme üzerinde hassasiyet, geri çağırma ve AUCROC'yi değerlendirin.
Kaynaklar
- Das, S., Wong, W. K., Fern, A., Dietterich, T. G., & Amran Siddiqui, M. (2019). Incorporating Expert Feedback into Active Anomaly Discovery. In Proceedings of the 2019 IEEE International Conference on Data Mining (ICDM), pp. 1009–1014. link ↗
- Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation Forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM), pp. 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-isolation-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Isolation ForestMakine öğrenmesi↔ karşılaştır