用于异常检测的深度结构化基于能量的模型
机器学习
2016-06-17 v2 机器学习
摘要
本文通过使用深度架构直接对数据分布建模来解决异常检测问题。我们提出了深度结构化基于能量的模型（DSEBM），其中能量函数是一个具有结构的确定性深度神经网络的输出。我们开发了新颖的模型架构，将基于能量的模型（EBM）与不同类型的数据（如静态数据、序列数据和空间数据）相结合，并应用适当的模型架构以适应数据结构。我们的训练算法建立在 score matching \cite{sm} 的最新进展之上，该进展将 EBM 与正则化自编码器联系起来，从而无需复杂的采样方法。从数据分布的能量景观角度，可以为异常检测目的推导出统计上合理的决策准则。我们研究了两种用于执行异常检测的决策准则：能量得分和重构误差。在基准任务上的大量实证研究表明，我们提出的模型始终匹配或优于所有竞争方法。
引用
@article{arxiv.1605.07717,
title = {Deep Structured Energy Based Models for Anomaly Detection},
author = {Shuangfei Zhai and Yu Cheng and Weining Lu and Zhongfei Zhang},
journal= {arXiv preprint arXiv:1605.07717},
year = {2016}
}
备注
To appear in ICML 2016