标注预算约束下的深度异常检测
机器学习
2023-07-06 v2 人工智能
摘要
在各种场景（如医学诊断或欺诈检测）中，选取信息量大的数据点供专家反馈可显著提升异常检测（AD）性能。本文确定了一组理论条件，在这些条件下异常分数能从标注查询泛化到未标注数据。受这些结果启发，我们提出了一种在标注预算约束下具有最优数据覆盖的标注策略。此外，我们提出了一种新的半监督 AD 学习框架。在图像、表格与视频数据集上的大量实验表明，我们的方法在标注预算约束下取得了最先进的半监督 AD 性能。
引用
@article{arxiv.2302.07832,
title = {Deep Anomaly Detection under Labeling Budget Constraints},
author = {Aodong Li and Chen Qiu and Marius Kloft and Padhraic Smyth and Stephan Mandt and Maja Rudolph},
journal= {arXiv preprint arXiv:2302.07832},
year = {2023}
}
备注
ICML 2023