基于零样本离群合成与分层特征蒸馏的异常检测
计算机视觉与模式识别
2020-10-13 v1 机器学习
摘要
异常检测因异常极为罕见而受不平衡数据之苦。合成生成的异常是此类病态或未完全定义数据的一种解决方案。然而，合成需要具表现力的表示以保证生成数据的质量。本文提出一种两级分层潜空间表示，将通过自编码器提炼内点的特征描述子，转化为基于变分分布族（通过变分自编码器）的更鲁棒表示，用于零样本异常生成。从学到的潜分布中，我们选取位于训练数据边缘者作为合成离群生成器，并从中合成——即无需事先见过便生成负样本——以训练二分类器。我们发现所提用于特征蒸馏与融合的分层结构创建了鲁棒且通用的表示，使我们能合成伪离群样本，进而训练用于真实离群检测的鲁棒二分类器（训练时无需实际离群）。我们在多个异常检测基准上展示了我们方法的性能。
引用
@article{arxiv.2010.05119,
title = {Anomaly Detection based on Zero-Shot Outlier Synthesis and Hierarchical Feature Distillation},
author = {Adín Ramírez Rivera and Adil Khan and Imad E. I. Bekkouch and Taimoor S. Sheikh},
journal= {arXiv preprint arXiv:2010.05119},
year = {2020}
}
备注
To appear in IEEE Trans. on Neural Networks and Learning Systems