基于分区过拟合自编码器集成的异常检测
机器学习
2021-09-29 v8 计算机视觉与模式识别
机器学习
摘要
在本文中，我们提出 POTATOES（Partitioning OverfiTting AuTOencoder EnSemble，分区过拟合自编码器集成），一种用于无监督离群检测（UOD）的新方法。更确切地说，给定任意用于 UOD 的自编码器，该技术可用于提高其准确率，同时免除调整其正则化的负担。其思路是完全不进行正则化，而是将数据随机划分为足够多的等大小部分，用各自的自编码器对每个部分过拟合，并使用所有自编码器重建误差的最大值作为异常分数。我们将我们的模型应用于各种真实数据集，并表明如果内点集足够稠密，我们的方法确实能显著改善给定自编码器的 UOD 性能。为了可复现性，代码已在 github 上公开，以便读者能够复现本文结果并将该方法应用于其他自编码器和数据集。
引用
@article{arxiv.2009.02755,
title = {Anomaly Detection With Partitioning Overfitting Autoencoder Ensembles},
author = {Boris Lorbeer and Max Botler},
journal= {arXiv preprint arXiv:2009.02755},
year = {2021}
}