(资料图片仅供参考)

异常检测器用于区分正常数据和异常数据之间的差异，通常通过对每个实例的异常分数进行评估和排序来实现。静态无监督流异常检测器难以动态调整异常分数计算。

为了解决这个问题，余志文教授领导的研究团队在FrontiersofComputerScience上发表了他们的新研究。

该团队提出了一种人机交互的流式异常检测方法，命名为ISPForest，可以在人类反馈的指导下自适应在线更新。特别是，反馈将用于调整检测器的异常分数计算和结构，理想情况下在未来获得更准确的异常分数。

实验结果表明，结合反馈的效用可以通过一些人为的努力来提高异常检测器的性能。

在研究中，他们分析了空间划分森林模型的异常检测原理。为了改进原来的异常检测器，他们在流式异常检测过程中添加了检测结果的人工反馈机制。首先，根据森林结构与异常分数计算之间的关系，他们分别构造区域似然函数和实例似然函数，以描述检测结果与人类反馈的一致性。

然后，根据最大似然估计原理，根据梯度下降过程适时调整原异常检测器的参数和结构。最后，设计了检测结果的不确定函数来控制人机交互的频率。

反馈效果的实验结果表明，将异常检测器与人类反馈相结合对于适应动态环境具有重要意义，并且检测器的性能在劳动力成本增加的情况下迅速提高。未来的工作可以考虑方法的扩展，探索反馈机制下的时间序列异常检测。