人機協作下的線上自適應模型加固流異常偵測
近日中國高等教育出版社發表了一篇題為「Human-machine interactive streaming anomaly detection by online self-adaptive forest」的論文，其中提出了一種名為 ISPForest 的人機互動流異常檢測方法，該方法可以在人類反饋的引導下線上自適應更新。該研究的主要負責人，俞志文教授表示該方法可以經由機器學習不斷地以少量人力付出來提升異常檢測的效能。
異常檢測的重要性
異常檢測在商業應用及安全領域中具有重要意義。然而由於線上異常檢測在應對訊息系統、金融安全等領域的非型態取證更加困難，因此尤其需要透過創新的方式來提升異常檢測模型的效能。ISPForest 的推出，為異常檢測的最佳化提供了一種新的思路。
ISPForest 的原理及特點
ISPForest 主要基於空間劃分森林模型進行異常檢測，並透過人機互動方式，加固對異常檢測的改進和更新。該模型將原有的異常檢測方法進行了改進，擴充了人類反饋機制，能夠更加靈活地計算異常得分，提高異常檢測的準確性。
ISPForest 模型中，不僅考慮了森林結構和異常得分計算之間的相關性，還設計了適合檢測結果的區域機率函式和例項機率函式。在引入人類反饋後，模型可以依據梯度下降的原理及最大概似估計來及時調整原有異常檢測器的引數和結構。此外模型還設計了一種不確保函式，用以控制人機互動的頻率。
該研究團隊的實驗結果顯示，使用人工反饋可以提高異常檢測器適應動態環境的能力，並且在人力成本較小的情況下即可迅速提高異常檢測器的效能，體現出該方法的優越性。
未來展望
研究團隊在文章中指出，未來可以考慮對該方法進行擴充以探索對時間序列異常檢測的適應能力。這項研究相信會對異常檢測的新技術、新方法和推廣等方面帶來重要啟示，具有重要的實用價值。
重要啟示及建議
異常檢測是訊息安全和商業應用等領域不可或缺的工具，只有透過不斷地改進和最佳化模型，才能夠更好地應對快速變化的實際應用。透過人機協作方式，加固人類反饋對流異常偵測，是一種非常值得推廣的方式。在機器智慧化的趨勢下，科技研發人員也應當提高自身的研究水平，掌握技術優勢，打造更好、更智慧、更創新的異常檢測模型。
