用于监督式异常检测的自编码二分类器
机器学习
2019-03-27 v1 机器学习
摘要
我们提出自编码二分类器（Autoencoding Binary Classifiers，ABC），一种基于自编码器（Autoencoder，AE）的新型监督式异常检测器。异常检测主要有两种途径：监督式与无监督式。监督式方法能准确检测训练数据中已知的异常，但无法检测未知异常。与此同时，无监督式方法可检测已知和未知异常（只要它们远离正常数据点），但它检测已知异常的精度不如监督式方法。此外，即便我们拥有标记的正常数据点与异常，无监督式方法也无法利用这些标签。ABC是一种有效利用标签信息的概率二分类器，其中正常数据点使用AE作为组件建模。通过最大化似然，所提ABC中的AE被训练为对正常数据点最小化重构误差，对已知异常最大化重构误差。由于我们的方法能够准确重构正常数据点而难以重构已知与未知异常，因此可准确区分已知和未知异常与正常数据点。实验结果表明，ABC取得了高于现有监督与无监督方法的检测性能。
引用
@article{arxiv.1903.10709,
title = {Autoencoding Binary Classifiers for Supervised Anomaly Detection},
author = {Yuki Yamanaka and Tomoharu Iwata and Hiroshi Takahashi and Masanori Yamada and Sekitoshi Kanai},
journal= {arXiv preprint arXiv:1903.10709},
year = {2019}
}