用于异常检测的Autoencoder不可靠
机器学习
2025-01-24 v1 人工智能
摘要
Autoencoder在无监督和半监督环境中经常用于异常检测。它们依赖的假设是：在使用重构损失训练后，它们能够更准确地重构正常数据，而不擅长重构异常数据。一些最近的工作认为这一假设可能不总是成立，但很少有工作深入研究这一假设的有效性。本文我们表明这一假设确实不成立，说明即使离开正常数据很远的异常值在实际操作中也能被完美重构。我们重新审视了线性Autoencoder进行异常检测失效的理论，说明它们如何完美重构超出范围或不理想地外推，并指出这在安全关键应用中可能具有潜在风险。我们通过对表格数据和真实图像数据上的实验将这一发现与非线性Autoencoder联系起来，这两种数据类型都是Autoencoder用于异常检测的主要应用领域。
引用
@article{arxiv.2501.13864,
title = {Autoencoders for Anomaly Detection are Unreliable},
author = {Roel Bouman and Tom Heskes},
journal= {arXiv preprint arXiv:2501.13864},
year = {2025}
}