AdaFlow：域自适应密度估计器及其在异常检测与无配对跨域翻译中的应用
机器学习
2019-03-14 v2 机器学习
声音
音频与语音处理
摘要
我们处理无监督异常检测（UAD），即检测与普通数据显著不同的数据的问题。UAD 通常通过密度估计求解。近来，基于深度神经网络（DNN）的密度估计器，如 Normalizing Flows，正受到关注。然而，其缺点之一是难以使其适应正常数据分布的变化。为应对该困难，我们提出 AdaFlow，一种可轻松适应分布变化的新型基于 DNN 的密度估计器。AdaFlow 是 Normalizing Flow 与自适应批归一化（Adaptive Batch-Normalizations，一种使 DNN 适应新分布的模块）的统一模型。AdaFlow 只需对每个样本进行一次前向传播即可适应新分布；因此，它可用于计算资源受限的设备。我们通过在声音任务中的异常检测确认了所提模型的有效性。我们还提出一种将 AdaFlow 应用于无配对跨域翻译问题的方法，该问题中仅能使用无配对样本训练跨域翻译模型。我们通过图像数据集上的实验确认了我们的模型可用于跨域翻译问题。
引用
@article{arxiv.1812.05796,
title = {AdaFlow: Domain-Adaptive Density Estimator with Application to Anomaly Detection and Unpaired Cross-Domain Translation},
author = {Masataka Yamaguchi and Yuma Koizumi and Noboru Harada},
journal= {arXiv preprint arXiv:1812.05796},
year = {2019}
}
备注
Accepted to ICASSP2019