DASVDD：用于异常检测的深度自编码支持向量数据描述符
机器学习
2024-01-23 v4
摘要
半监督异常检测旨在利用在正常数据上训练的模型从正常样本中检测异常。随着深度学习的近期进展，研究者已设计出高效的深度异常检测方法。现有工作通常使用神经网络将数据映射至更具信息量的表示，再应用异常检测算法。本文中，我们提出一种名为 DASVDD 的方法，其在最小化其潜表示上包围超球体体积的同时联合学习自编码器的参数。我们提出一种异常分数，它由自编码器的重构误差与潜表示中到包围超球体中心的距离组合而成。最小化该异常分数有助于我们在训练期间学习正常类的底层分布。在异常分数中纳入重构误差确保了 DASVDD 不会遭受常见的超球体坍缩问题，因为 DASVDD 模型不会收敛到将所有输入映射至潜表示中常数的平凡解。在多个基准数据集上的实验评估表明，所提方法优于常用的前沿异常检测算法，并在不同异常类别间保持稳健性能。
引用
@article{arxiv.2106.05410,
title = {DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection},
author = {Hadi Hojjati and Narges Armanfard},
journal= {arXiv preprint arXiv:2106.05410},
year = {2024}
}