一种受视觉启发的无监督无序数据异常检测神经网络

无监督机器学习领域的一个基本问题是检测对应于稀有且不寻常的关注观测的异常；其原因包括将其剔除、容纳或进一步调查。异常被直观地理解为不寻常或不一致的事物，其出现会引发即时关注。更正式地，异常是那些在适当的随机变量建模下——相对于先前关注的分组其出现期望小于 1 的观测；此种定义与理解已被用于开发无参数的感知异常检测算法。本工作试图在感知算法所使用的方法与过去数十年来神经生理学及计算神经科学的研究——尤其是视网膜与视觉皮层中的信息处理——之间建立重要且实用的联系。该算法被概念化为一个神经元模型，其构成了一个无监督神经网络的核，该网络学习将未预期的观测作为异常发出信号。该网络与神经元均展现出生物过程中观察到的特性，包括：即时智能、并行处理、冗余、全局退化、对比不变性、无参数计算、动态阈值与非线性处理。以此网络为具体应用，构建了用于单变量与多变量数据中异常检测的鲁棒且准确的模型。