## Memo - [[NetManAIOps]]グループからの会議論文。 ## Abstract オンライン・サービス・システムにおける重要業績評価指標（KPI）のモニタリングと異常の検出は極めて重要である。しかし、適切なKPI異常検出アルゴリズムと適切なハイパーパラメータを選択することは困難である。従来の自動機械学習（[[AutoML]]）は、ホールドアウトデータセットにラベルがなく、その損失が異常検出精度を確実に反映しないため、これに対処するのに苦労している。上記の課題を解決するために、本論文では、教師なしKPI異常検知のためのアルゴリズム選択とハイパーパラメータ最適化の複合問題を解くために設計されたAutoMLフレームワークであるAutoKADを紹介する。我々は、AutoMLトライアルを評価するために、ローカル外れ値因子（[[Local Outlier Factor|LOF]]）にインスパイアされたラベルフリーの普遍的目的関数を提案する。さらに、探索の有効性と効率を向上させるために、取得関数を改善し、クラスタベースのウォームスタート戦略を設計する。実世界の3つのデータセットを用いた実験結果から、我々のアプローチはSOTAモデル選択アルゴリズムをF1スコアで11％上回り、理論的に最適な結果と同等の性能（99％）を達成することが示された。我々は、AutoKADが実世界システムにおける既存の異常検知アルゴリズムの展開可能性を大幅に改善できると信じている。我々のコードは https://github.com/NetManAIOps/AutoKAD で非公式に公開されている。