基于胶囊网络的高维数据集异常检测

异常检测是机器学习中的一个基本问题。其应用领域包括网络安全、医疗、欺诈检测等，涉及高维数据集。典型的异常检测系统总是面临类不平衡问题，表现为不同类别的样本量差异巨大。它们通常还存在类重叠问题。本研究将胶囊网络用于异常检测任务。据我们所知，这是首次在复杂高维数据设置下分析胶囊网络用于异常检测任务。我们还处理了相关的新颖性检测与离群点检测问题。胶囊网络的架构被适当修改为二分类任务。胶囊网络因其预测中捕获的视角不变性以及内部胶囊架构中捕获的视角等变性，为异常检测提供了良好选择。我们采用了六层欠完备自编码器架构，其中第二层和第三层包含胶囊。胶囊使用动态路由算法进行训练。我们从原始 MNIST 数据集创建了 10 个不平衡数据集，并将胶囊网络与 5 个基线模型进行了性能比较。我们的主要测试集度量为少数类的 F1-score 和 ROC 曲线下面积。我们发现，胶囊网络仅使用十个训练轮次且未采用任何数据层面与算法层面的方法，就在异常检测任务上优于其他所有基线模型。因此，我们得出结论：胶囊网络在建模复杂高维不平衡数据集以进行异常检测任务方面表现优异。