通过重组门控无监督专家进行异常检测
机器学习
2022-10-14 v5 机器学习
摘要
异常检测已在多种先验知识程度下被研究。无监督方法不需要任何标注数据,而半监督方法利用部分已知异常。受混合专家模型及神经网络隐藏激活分析的启发,我们提出一种名为 ARGUE 的新型数据驱动异常检测方法。我们的方法不仅适用于无监督与半监督环境,还能从自监督设定的先验知识中获益。我们将 ARGUE 设计为专用专家网络的组合,这些网络分别专精于输入数据的不同部分。在其最终决策中,ARGUE 使用门控混合专家架构融合各专家系统的分布式知识。我们的评估表明,关于正常数据分布的先验知识可能与已知异常同样有价值。
引用
@article{arxiv.2008.13763,
title = {Anomaly Detection by Recombining Gated Unsupervised Experts},
author = {J. -P. Schulze and P. Sperl and K. Böttinger},
journal= {arXiv preprint arXiv:2008.13763},
year = {2022}
}
备注
Accepted at IJCNN 2022