利用非正则化分数进行异构复杂度异常检测的深度生成模型
机器学习
2018-09-05 v2 计算机视觉与模式识别
机器学习
摘要
对自然图像数据集中的异常样本进行准确且自动化的检测，可通过用于图像端到端建模的概率模型来实现。然而，此类图像具有异构复杂度，概率模型会忽略具有微小异常的简单形状对象。这是因为概率模型将不合意地更低似然分配给复杂形状对象，尽管它们符合既定标准。为克服此困难，我们提出一种用于深度生成模型（DGMs）的非正则化分数，DGMs 是利用深度神经网络的生成模型。我们发现 DGMs 的正则化项根据样本复杂度对异常分数有显著影响。通过移除这些项，我们获得非正则化分数，并在玩具数据集和真实世界制造数据集上进行了评估。实证结果表明，非正则化分数对样本固有复杂度具有鲁棒性，并可用于更好地检测异常。
引用
@article{arxiv.1807.05800,
title = {Deep Generative Model using Unregularized Score for Anomaly Detection with Heterogeneous Complexity},
author = {Takashi Matsubara and Kenta Hama and Ryosuke Tachibana and Kuniaki Uehara},
journal= {arXiv preprint arXiv:1807.05800},
year = {2018}
}
备注
An extended version of a manuscript in Proc. of The 2018 International Joint Conference on Neural Networks (IJCNN2018)