深度半监督异常检测
机器学习
2020-02-17 v2 机器学习
摘要
深度异常检测方法近期在大型复杂数据集上相比浅层方法展现出了有前景的结果。通常异常检测被视为无监督学习问题。然而在实践中，除了大量未标记样本外，人们可能还能获取一小部分已标记样本，例如经领域专家验证为正常或异常的子集。半监督异常检测方法旨在利用此类标记样本，但大多数已有方法仅限于纳入标记的正常样本。仅有少数方法利用了标记异常，且现有的深度方法局限于特定领域。在这项工作中，我们提出 Deep SAD，一种端到端的通用半监督异常检测深度方法。我们进一步基于正常数据潜分布的熵应低于异常分布熵的思想，引入了一个用于深度异常检测的信息论框架，该框架可作为我们方法的理论解释。在 MNIST、Fashion-MNIST 和 CIFAR-10 以及其他异常检测基准数据集上的大量实验中，我们证明我们的方法与浅层、混合及深度竞争方法相当或更优，即使在仅提供少量标记数据时也能带来可观的性能提升。
引用
@article{arxiv.1906.02694,
title = {Deep Semi-Supervised Anomaly Detection},
author = {Lukas Ruff and Robert A. Vandermeulen and Nico Görnitz and Alexander Binder and Emmanuel Müller and Klaus-Robert Müller and Marius Kloft},
journal= {arXiv preprint arXiv:1906.02694},
year = {2020}
}
备注
23 pages, Published as a conference paper at ICLR 2020