【WWW2024】知识数据对齐的弱监督异常检测

异常检测（AD）在许多基于网络的应用中扮演着关键角色，包括恶意软件检测、反洗钱、设备故障检测以及网络故障分析。大多数方法依赖于无监督学习，由于缺乏标签，难以达到令人满意的检测精度。弱监督异常检测（WSAD）通过引入有限数量的标记异常样本来增强模型性能。然而，对于在标记数据不足的情况下训练的模型来说，泛化到未见异常仍然是一个挑战。在本文中，我们引入了一种新颖的框架知识-数据对齐（KDAlign），以整合人类专家通常总结的规则知识来补充有限的标记数据。具体来说，我们将这些规则转换到知识空间，并随后将知识的整合视为知识与数据的对齐。为了促进这种对齐，我们采用最优传输（OT）技术。然后，我们将OT距离作为额外的损失项加到WSAD方法的原始目标函数中。在五个真实世界数据集上的全面实验结果表明，我们提出的KDAlign框架显著超越了其最先进的对手，实现了跨不同异常类型的优越性能。