无监督通用异常检测方法 SEAD 解析

在当今工业和在线应用中，实时数据流中的异常检测至关重要。传统监督学习方法面临标注成本高、数据分布动态变化的挑战。亚马逊科学团队在 ICML 2025 提出的 SEAD 框架创新性地解决了这些问题。

核心创新点：

1. 动态集成机制：SEAD 集成多个基础检测器，根据其异常报告"保守程度"动态调整权重。采用乘性权重更新（MWU）机制，对持续输出高异常分的模型自动降权。

2. 无监督适应性：通过分位数归一化处理不同检测器的评分体系，无需标注数据即可适应数据分布变化。测试显示即使加入随机检测器，准确率仅下降 0.88%。

3. 在线计算优化：SEAD++通过概率采样将计算速度提升 2 倍，资源消耗显著降低。

技术架构：

• 权重更新公式：$w_{t+1}^i=w_t^i\cdot \exp (-\eta \cdot s_t^i)$，其中$\eta$为学习率，$s_t^i$为归一化异常分

• 采用 15 个异构检测器组成的集成系统，在真实场景中能快速识别并淘汰持续误报的模型（如图中橙色曲线模型）

性能表现：

• 在 15 项任务测试中平均排名 5.07（最佳）

• 方差 6.64（最低）

• 计算效率比基准方法提升 2 倍

该方法为电商风控、工业设备监控等实时流数据处理场景提供了新的技术解决方案。更多精彩内容 请关注我的个人公众号 公众号（办公 AI 智能小助手）公众号二维码

办公AI智能小助手