基于残差适应的深度异常检测
机器学习
2020-10-07 v1 机器学习
摘要
深度异常检测是一项困难的任务，因为在高维空间中，当仅给定正常样本时，很难完整刻画“不同”的概念。本文提出一种基于用残差修正增强大型预训练网络以使其适应异常检测任务的深度异常检测新方法。我们的方法产生了一种参数高效的学习机制，增强了预训练模型中表征的解耦，并优于所有现有异常检测方法，包括其他利用预训练网络的基线。例如，在CIFAR-10一对多基准上，我们的技术将SOTA从96.1提升至99.0平均AUC。
引用
@article{arxiv.2010.02310,
title = {Deep Anomaly Detection by Residual Adaptation},
author = {Lucas Deecke and Lukas Ruff and Robert A. Vandermeulen and Hakan Bilen},
journal= {arXiv preprint arXiv:2010.02310},
year = {2020}
}