深度弱监督异常检测
机器学习
2023-06-06 v4 机器学习
摘要
近期，利用少量标注异常样本与大量未标注数据（多为正常数据）训练的半监督异常检测方法，相较无监督方法在性能上已有大幅提升。然而，这些方法往往仅聚焦于拟合所给异常样本所呈现的异常（即已见异常），因而无法泛化到训练时未出现的新型异常类别（即未见异常）。为同时检测已见与未见异常，我们提出一种新颖的深度弱监督方法——成对关系预测网络（PReNet），通过预测任意两个随机采样训练实例之间的关系来学习成对关系特征与异常分数，其中成对关系可为异常-异常、异常-未标注或未标注-未标注。由于未标注实例大多为正常样本，关系预测分别强制联合学习异常-异常、异常-正常与正常-正常的成对判别模式。PReNet 由此可检测任何符合所学成对异常模式或偏离正常模式的已见/未见异常。此外，该成对方法还无缝且显著地扩充了训练异常数据。在 12 个真实数据集上的实验表明，PReNet 在检测已见与未见异常方面显著优于九种对比方法。我们还从理论与实验上论证了模型对未标注数据中异常污染的鲁棒性。代码见 https://github.com/mala-lab/PReNet。
引用
@article{arxiv.1910.13601,
title = {Deep Weakly-supervised Anomaly Detection},
author = {Guansong Pang and Chunhua Shen and Huidong Jin and Anton van den Hengel},
journal= {arXiv preprint arXiv:1910.13601},
year = {2023}
}
备注
Accepted to KDD 2023