面向开集监督异常检测的异常异质性学习
计算机视觉与模式识别
2024-03-19 v3
摘要
开集监督异常检测（OSAD）是近年来新兴的异常检测领域，旨在利用训练时见过的少数异常类样本来检测未见的异常（即来自开集异常类的样本），同时有效识别已见异常。受益于已见异常所揭示的先验知识，当前的OSAD方法通常能大幅减少假阳性错误。然而，这些方法在闭集设定下训练，并将异常样本视为来自同质分布，导致它们在泛化到可能来自任意分布的未见异常时效果较差。本文提出利用有限的异常样本学习异质异常分布以解决此问题。为此，我们引入一种新方法，即异常异质性学习（AHL），它模拟多样化的异质异常分布，并利用这些分布在代理开集环境中学习统一的异质异常模型。此外，AHL是一个通用框架，现有的OSAD模型可即插即用以增强其异常建模能力。在九个真实世界异常检测数据集上的大量实验表明，AHL能够1）大幅增强不同的最先进OSAD模型在检测已见和未见异常上的性能，以及2）有效泛化到新领域中的未见异常。代码见 https://github.com/mala-lab/AHL。
引用
@article{arxiv.2310.12790,
title = {Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection},
author = {Jiawen Zhu and Choubo Ding and Yu Tian and Guansong Pang},
journal= {arXiv preprint arXiv:2310.12790},
year = {2024}
}
备注
Accepted by CVPR2024; 15 pages; 4 figures