生成模型的异常分数
机器学习
2019-05-29 v1 机器学习
摘要
当数据由生成模型（如（变分）自编码器或生成对抗网络）建模时，重构误差是用于识别异常样本的常用分数。该分数依赖于一个假设，即正常样本位于流形上，而所有异常样本位于流形之外。由于流形只能在训练数据所在之处被学习到，无法保证重构误差在其他地方的行为表现，因此该分数似乎是定义不明确的。这项工作定义了一个在理论上与生成模型兼容的异常分数，并且对于（变分）自编码器来说非常自然，因为它们似乎最为普遍。新分数还可用于选择超参数和模型。最后，我们解释了为什么尽管理论依据薄弱，重构误差仍能提供良好的实验结果。
引用
@article{arxiv.1905.11890,
title = {Anomaly scores for generative models},
author = {Václav Šmídl and Jan Bím and Tomáš Pevný},
journal= {arXiv preprint arXiv:1905.11890},
year = {2019}
}
备注
9 pages, 3 figures, submitted to NeurIPS 2019