Какие задачи решает unsupervised vs semi-supervised anomaly detection?

Unsupervised anomaly detection решает задачу выявления аномалий без использования размеченных данных. Модель обучается на «нормальных» данных и пытается выявить объекты, которые существенно отличаются от обучающего распределения. Это полезно, когда нет меток или аномалии заранее неизвестны.

Semi-supervised anomaly detection использует небольшое количество размеченных данных (обычно нормальных) вместе с большим количеством неразмеченных. Это позволяет улучшить качество обнаружения, так как модель получает некоторую информацию о нормальном поведении, но при этом может выявлять аномалии без явных меток аномалий.

Таким образом:

• Unsupervised — подходит, когда нет меток вообще.
• Semi-supervised — когда есть метки нормальных данных, но нет меток аномалий.

Пример:

• Unsupervised: автоэнкодер обучается восстанавливать нормальные данные, а большие ошибки восстановления считаются аномалиями.
• Semi-supervised: модель обучается на нормальных данных с метками, а затем применяется к новым данным для выявления отклонений.