ปัญหาของ Anomaly Detection (การตรวจจับความผิดปกติ)

ปัญหาของ Anomaly Detection

มีประเด็นสำคัญในการตรวจจับความผิดปกติ (anomaly detection) ดังนี้:

1. Number of Attributes used to define an anomaly (จำนวนแอตทริบิวต์ที่ใช้นิยาม anomaly)

คำถามว่าวัตถุเป็น anomalous ขึ้นอยู่กับแอตทริบิวต์เดี่ยว คือค่าของวัตถุสำหรับแอตทริบิวต์นั้น anomalous หรือไม่ เนื่องจากวัตถุอาจมีหลายแอตทริบิวต์ อาจมีค่า anomalous สำหรับบางแอตทริบิวต์ แต่ว่าด้วยค่าปกติสำหรับอีกบางอย่าง

นอกจากนี้ วัตถุอาจเป็น anomalous แม้ไม่มีแอตทริบิวต์ไหนเป็น anomalous แบบแยกส่วน ตัวอย่าง: พบคนสูง 2 ฟุต (เด็ก) หรือหนัก 300 ปอนด์ ได้บ่อย แต่ผิดปกติที่จะมีคนสูง 2 ฟุตแต่น้ำหนัก 300 ปอนด์

นิยามของ anomaly ควรระบุว่าค่าของหลายแอตทริบิวต์ใช้ตัดสินใจว่าวัตถุเป็น anomaly หรือไม่ยังไง นี่เป็นประเด็นสำคัญเมื่อ dimensionality ของข้อมูลสูง

2. Global versus Local Perspective (มุมมองระดับโลก vs ท้องถิ่น)

วัตถุอาจดูผิดปกติเมื่อเทียบกับวัตถุทั้งหมด แต่ไม่ผิดปกติเมื่อเทียบกับวัตถุในบริเวณท้องถิ่น ตัวอย่าง: คนสูง 6 ฟุต 5 นิ้ว สูงมากเทียบประชากรทั่วไป แต่ไม่สูงเทียบนักบาสเกตบอลอาชีพ

3. Degree to which a point is an Anomaly (ระดับที่จุดเป็น anomaly)

การประเมินว่าวัตถุเป็น anomaly บางวิธีทำแบบ binary: เป็น anomaly หรือไม่เป็น แต่นี่ไม่สะท้อนความจริงที่ว่าบางวัตถุเป็น anomaly รุนแรงกว่า ดังนั้นน่าสนใจที่จะมีการประเมินระดับ (degree) ว่าวัตถุเป็น anomaly มากน้อยแค่ไหน เรียกว่า anomaly score หรือ outlier score

4. Identifying One Anomaly at a Time versus Many Anomalies at Once (ระบุ anomaly ทีละตัว vs หลายตัวพร้อมกัน)

บางวิธี ระบุ anomalies ทีละตัว คือ ระบุตัวที่ anomalous ที่สุด กำจัด แล้วทำซ้ำ สำหรับหลายเทคนิค ชุดของ anomalies ถูกระบุพร้อมกัน

เทคนิคที่ระบุทีละตัว มักเจอปัญหา masking: การมีหลาย anomalies บังการมีอยู่ของกันและกัน ในทางกลับกัน เทคนิคที่ระบุหลาย outliers พร้อมกัน อาจเจอ swamping: วัตถุปกติถูกจัดว่าเป็น outliers ในแนวทางแบบโมเดล ผลกระทบเหล่านี้อาจเกิดเพราะ anomalies เปลี่ยนแปลงโมเดลข้อมูล

5. Efficiency (ประสิทธิภาพ)

มีความแตกต่างสำคัญในค่าใช้จ่ายคอมพิวตะชันของแผนการตรวจจับ anomaly ต่างๆ Classification-based schemes อาจต้องการทรัพยากรมากสร้างโมเดล classification แต่ใช้ได้ราคาถูก เช่นเดียวกัน วิธีทางสถิติสร้างโมเดลทางสถิติ และจัดประเภทองค์ประกอบได้ใน constant time