脆弱特征或有助于异常检测
机器学习
2021-04-22 v1 计算机视觉与模式识别
摘要
单类异常检测具有挑战性。理想情况下是一种能清晰区分异常与正常数据的表示，但由于训练时仅有正常数据可用，获得这种表示十分困难。我们考察了从辅助任务迁移得到的表示在异常检测上的性能。结果表明，表示的选择比与这些表示搭配使用的异常检测器更为重要，尽管知识蒸馏比直接使用表示效果更好。此外，异常与正常数据间的可分离性对良好表示很重要，但并非唯一因素，因为异常检测性能还与表示空间中更具对抗脆弱性的特征相关。最后，我们展示了我们的配置能在真实的X射线安检数据集中检测出96.4%的异常，优于先前结果。
引用
@article{arxiv.2104.10453,
title = {Brittle Features May Help Anomaly Detection},
author = {Kimberly T. Mai and Toby Davies and Lewis D. Griffin},
journal= {arXiv preprint arXiv:2104.10453},
year = {2021}
}
备注
Accepted to Women in Computer Vision workshop at CVPR (2021)