AEGR：自编码器中用于网络异常检测的简易梯度反转方法
机器学习
2021-08-31 v2 机器学习
摘要
异常检测指的是一种旨在检测遵循与大多数数据点不同模式的数据点的过程。异常检测方法受到若干众所周知的挑战的阻碍，例如高维度，这些挑战损害了它们的性能。自编码器是一种无监督神经网络，已用于降低维度以及检测大型数据集中的网络异常。当训练集包含噪声和异常时，自编码器的性能会退化。本文提出一种新的梯度反转方法，以克服异常对训练阶段的影响，从而检测网络异常。该方法不同于其他方法是，它不需要无异常训练集且基于重构误差。一旦从网络中提取潜变量，便使用局部离群因子（Local Outlier Factor）将正常数据点从异常中分离。还添加了简单的剪枝方法和数据增强以进一步提升性能。实验结果表明所提出的模型可以优于其他知名方法。
引用
@article{arxiv.1912.13387,
title = {AEGR: A simple approach to gradient reversal in autoencoders for network anomaly detection},
author = {Kasra Babaei and Zhi Yuan Chen and Tomas Maul},
journal= {arXiv preprint arXiv:1912.13387},
year = {2021}
}