MetaEns: Selezione Automatica Non Supervisionata di Ensemble di Modelli Outlier

I ricercatori hanno introdotto MetaEns, un framework automatico non supervisionato progettato per la selezione di ensemble nei modelli di rilevamento degli outlier. Utilizzando il rilevamento non supervisionato degli outlier, si elimina la dipendenza da dati etichettati e gli ensemble multi-modello migliorano l'affidabilità del rilevamento. Tuttavia, formare un ensemble senza dati etichettati presenta difficoltà, poiché gli ensemble semplici possono soffrire di saturazione, dove modelli sovrapposti o inaffidabili ostacolano le prestazioni e portano a calcoli non necessari. MetaEns sfrutta meta-dataset etichettati per sviluppare un modello che prevede i guadagni marginali derivanti dall'aggiunta di un modello candidato a un ensemble esistente. Durante il test, questo segnale appreso viene integrato con un obiettivo proxy ispirato alla submodularità che promuove sconti basati sulla diversità e regolarizzazione del rischio a livello di famiglia, facilitando un processo di selezione sequenziale greedy. Il framework affronta efficacemente la saturazione dell'ensemble e mira a scegliere autonomamente modelli efficienti di rilevamento degli outlier senza supervisione umana.