摘要
半监督异常检测在过程监控、医疗保健和金融等多个领域中扮演着关键角色。然而，轻量级方法在处理高维数据时常常面临挑战，并且通常需要仔细调整多个超参数。在现有方法中，基于Christoffel函数的方法因其简单性而受到关注，最多只需一个超参数。这些方法还得益于良好的理论基础，从而为数据科学提供了若干有趣的结果。然而，它们的主要限制是对高维设置的可扩展性较差。
CLOE方法
在本文中，我们介绍了一种新方法CLOE，该方法将自编码器用于降维，并在潜在空间中应用基于Christoffel函数的检测器。为了更好地将表示学习与异常检测对齐，我们设计了一种新颖的损失函数，该函数利用Christoffel函数引导自编码器朝向更好地捕捉正常数据分布支持的表示。
此外，我们还提出了一种原则性的程序来设置检测阈值，以及一种高效的策略来调整最后一个剩余的超参数。在多个高维表格异常检测基准上的实验表明，CLOE在性能上优于现有方法，同时保留了基于Christoffel函数方法的轻量级和低调优优势。
博主点评： CLOE方法通过结合自编码器和Christoffel函数，成功地解决了高维数据异常检测中的可扩展性问题，同时引入的新损失函数为模型训练提供了更强的指导，值得在实际应用中深入探索和验证。