文本中的深度异常检测

近年来，深度异常检测方法变得越来越受欢迎，Stacked Autoencoders、Variational Autoencoders 和 Generative Adversarial Networks 等方法极大地提升了 SOTA。其他方法则依赖于通过使用神经网络学习适当的核函数来增强经典模型（如 One-Class Support Vector Machine）。通过自监督进行的表示学习的最新发展证明在异常检测的背景下非常有益。受计算机视觉领域中使用自监督学习进行异常检测的进展启发，本论文旨在开发一种通过利用为文本语料库量身定制的 pretext tasks 来检测异常的方法。该方法在 20Newsgroups 和 AG News 两个数据集上极大地提升了半监督和无监督异常检测的 SOTA，从而证明了自监督异常检测器在自然语言处理领域的潜力。