基于自编码器的异常检测的子空间投影方法
机器学习
2023-02-16 v1 信息论
math.IT
摘要
自编码器（AE）是一种神经网络（NN）架构，经训练可在其输出端重构输入。通过测量新输入样本的重构误差，AE 能够检测偏离训练数据分布的异常样本。成功的关键在于实现高保真重构（HFR），同时限制 AE 对训练数据之外数据的泛化能力，这通常需要通过迭代重训练来平衡。作为替代，我们提出了一种新颖的基于 AE 的异常检测框架，称为 HFR-AE，其通过将新输入投影到一个子空间中，使训练好的 AE 在该子空间内实现 HFR，从而增大正常样本与异常样本重构误差之间的差距。仿真结果证实，与 Vanilla AE 基于的异常检测相比，HFR-AE 在不同 AE 架构和设置下将受试者工作特征曲线下面积（AUROC）提高了至多 13.4%。
引用
@article{arxiv.2302.07643,
title = {A Subspace Projection Approach to Autoencoder-based Anomaly Detection},
author = {Jinho Choi and Jihong Park and Abhinav Japesh and Adarsh},
journal= {arXiv preprint arXiv:2302.07643},
year = {2023}
}
备注
5 pages, submitted to the IEEE for possible publication