Czym jest aktywne uczenie się w wykrywaniu anomalii?

Aktywne uczenie się w wykrywaniu anomalii to metoda, w której model aktywnie prosi eksperta (człowieka) o oznaczenie najbardziej informatywnych lub wątpliwych przykładów, aby poprawić jakość wykrywania anomalii.

Ponieważ anomalie są często rzadkie i różnorodne, trudno jest uzyskać w pełni oznakowane dane. Aktywne uczenie się pomaga efektywnie wykorzystać ograniczone zasoby oznaczania, wybierając dane, które maksymalizują dokładność modelu.

Przykład: model wykrywania oszustw identyfikuje transakcje z wysokim poziomem niepewności i prosi analityka o potwierdzenie, czy są one anomaliami. Uzyskane etykiety są używane do ponownego szkolenia modelu, poprawiając jego zdolność do wykrywania nowych anomalii.