U bent van plan om unsupervised anomaly detection te gebruiken om weefselmonsters te classificeren als normaal of gemuteerd. Welke twee voorwaarden ondersteunen het gebruik van een unsupervised anomaly detection-methode?

Onbewaakte anomaliedetectie is het meest effectief wanneer afwijkingen zeldzaam zijn. Als er zeer weinig mutaties zijn ten opzichte van normale monsters, kan het model leren wat "normaal" is en alles wat daar significant van afwijkt als een anomalie markeren. Dit is de kern van onbewaakte anomaliedetectie. Bovendien werkt onbewaakte anomaliedetectie het beste als de afwijkingen (mutaties) een consistente, herkenbare structuur hebben die afwijkt van de normale data. Als toekomstige mutaties vergelijkbare kenmerken hebben als de gemuteerde monsters die al in de database zijn waargenomen (zelfs als deze zeldzaam zijn), kan het model deze patronen beter identificeren als anomalieën. De optie "Er zijn ruwweg evenveel normale als gemuteerde monsters" zou leiden tot een gebalanceerde dataset, wat geschikter is voor bewaakte classificatie. De optie "U verwacht dat toekomstige mutaties andere kenmerken zullen hebben" zou het voor elk model, inclusief onbewaakte, moeilijk maken om deze te detecteren. De optie "U heeft al labels voor welke monsters gemuteerd zijn" duidt op een bewaakte leersituatie, niet op onbewaakte anomaliedetectie.