ADGym：深度异常检测的设计选择
机器学习
2023-10-31 v2
摘要
深度学习（DL）技术近来在金融、医疗服务和云计算等多个领域的异常检测（AD）中取得了成功。然而，当前大多数研究倾向于将深度AD算法视为一个整体，而未剖析诸如损失函数和网络架构等单个设计选择的贡献。这种视角往往削弱了数据预处理等前期步骤的价值，因为更多的注意力被给予新设计的损失函数、网络架构和学习范式。在本文中，我们旨在通过提出两个关键问题来弥补这一差距：（i）深度AD方法中哪些设计选择对检测异常至关重要？（ii）我们如何针对给定AD数据集自动选择最优设计选择，而非依赖通用的既有解决方案？为解答这些问题，我们引入了ADGym，一个专为深度方法中AD设计元素的综合评估与自动选择而打造的平台。我们大量的实验表明，仅依赖现有领先方法是不够的。相比之下，使用ADGym开发的模型显著超越了当前最先进的技术。
引用
@article{arxiv.2309.15376,
title = {ADGym: Design Choices for Deep Anomaly Detection},
author = {Minqi Jiang and Chaochuan Hou and Ao Zheng and Songqiao Han and Hailiang Huang and Qingsong Wen and Xiyang Hu and Yue Zhao},
journal= {arXiv preprint arXiv:2309.15376},
year = {2023}
}
备注
NeurIPS 2023. The first three authors contribute equally. Code available at https://github.com/Minqi824/ADGym