Flexibele en beperkte supervisie voor anomalie detectie

Traditioneel werd anomalie detectie benaderd vanuit een unsupervised perspectief. Dit was het geval omdat het vaak moeilijk of onmogelijk is labels te verkrijgen voor afwijkende gevallen. Daarom werden algoritmes voor deze taken gebaseerd op veronderstellingen zoals dat anomalieën zeldzaam zijn en anders zijn (bv. ver weg of in een gebied met lage dichtheid) dan normale voorbeelden. Er is echter een groeiend besef dat enkele gelabelde gegevens nodig zijn om in de praktijk anomalie detectie problemen op te lossen. Anderzijds kan gelabelde informatie helpen corrigeren wanneer de in anomalie detectoren gecodeerde veronderstellingen worden geschonden. Er kan bijvoorbeeld sprake zijn van zeldzaam maar normaal gedrag, zoals onderhoudsbeurten, dat niet als afwijkend moet worden aanschouwd. Anderzijds zijn gelabelde gegevens nodig om anomalie detectoren te configureren (d.w.z. de hyperparameters in te stellen) en te evalueren. Het doel van dit doctoraat is het ontwikkelen van nieuwe benaderingen voor het trainen en evalueren van anomalie detectie algoritmes op basis van beperkte en flexibele supervisie. Met flexibele supervisie bedoelen we dat de feedback kan bestaan uit labels voor één klasse, labels voor groepen instanties of beperkingen.