用于类别可泛化异常检测的多向元学习框架
机器学习
2026-01-28 v1
摘要
在本文中，我们解决了类别可泛化异常检测问题，其目标是通过聚焦于可用的正常数据和少量异常数据的学习来开发统一模型，以检测完全未见的异常，也称为分布外类。使这一挑战更加严峻的是异常数据稀有且标注成本高昂。为了实现这一目标，我们提出了一种多向元学习算法——在内层，模型旨在学习正常数据的流形（表示）；在外层，模型使用少量异常样本进行元调优，以最大化正常样本与异常样本之间的 softmax 置信度裕度（决策面校准），将正常样本视为分布内，异常样本视为分布外。通过在以正常样本为主和少量异常样本的多个 episode 中迭代重复此过程，我们实现了一个多向元学习框架。这种由多向训练增强的两级优化，实现了对未见异常类更强的泛化能力。
引用
@article{arxiv.2601.19833,
title = {A Multi-directional Meta-Learning Framework for Class-Generalizable Anomaly Detection},
author = {Padmaksha Roy and Lamine Mili and Almuatazbellah Boker},
journal= {arXiv preprint arXiv:2601.19833},
year = {2026}
}