一种用于偏斜数据异常检测的潜空间相关性感知自编码器
机器学习
2024-02-16 v3
摘要
基于无监督学习的潜空间异常检测已变得重要，因为在高维空间中区分异常与正常数据变得困难。过去已探索了在潜空间中检测异常的密度估计与基于距离的方法。这些方法证明在潜空间中保留输入数据的有价值属性有助于更好地重建测试数据。此外，现实世界传感器数据本质上是偏斜且非高斯的，使得基于均值的估计器对偏斜数据不可靠。再者，基于重建误差的异常检测方法依赖欧氏距离，其未考虑特征空间中有用的相关性信息，并且当数据偏离训练分布时也无法准确重建。在本工作中，我们解决了基于重建误差的自编码器的局限性，并提出一种核化自编码器，其利用一种鲁棒形式的马氏距离（MD）来度量潜维相关性，以有效检测近端与远端异常。该混合损失借助在潜维与高维先验数据空间之间最大化互信息增益的原则，通过最大化潜空间的熵同时保留原始数据在低位潜空间中的有用相关性信息来辅助。该多目标函数有两个目标——它以鲁棒 MD 距离的形式度量潜特征空间中的相关性信息，同时通过最大化先验空间与潜空间之间的互信息，尝试在潜空间中保留来自原始数据空间的有用相关性信息。
引用
@article{arxiv.2301.00462,
title = {A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data},
author = {Padmaksha Roy},
journal= {arXiv preprint arXiv:2301.00462},
year = {2024}
}