超越已知：对抗自编码器在新颖性检测中的应用

在新颖性检测中，给定主要捕获内点分布的训练数据集，目标是判断新数据点应归类为内点还是外点。最近的方法通常使用深度编码器和解码器网络框架来推导重建误差，并利用该误差来确定新颖性分数，或作为单类分类器的基础。在本研究中，我们使用类似的框架，但采用轻量级深度网络，并采用带有重建误差的概率分数。我们的方法计算样本是否来自内点分布的概率。这项工作有两个关键贡献。第一个是，我们通过线性化包含内点分布结构的流形来计算新颖性概率。这使我们能够解释概率如何分布，并可以相对于流形切空间的局部坐标来确定。第二个贡献是，我们改进了网络的训练协议。我们的结果表明，我们的方法在学习目标类别方面是有效的，并且在几个基准数据集上优于最近的最先进方法。