DROCC：深度鲁棒单类分类
机器学习
2020-08-18 v2 机器学习
摘要
用于单类问题的经典方法，如单类 SVM 和孤立森林，在应用于图像等结构化领域时需要细致的特征工程。最先进的方法旨在通过两种主要途径利用深度学习来学习合适的特征。第一种基于预测变换的方法（Golan & El-Yaniv, 2018; Hendrycks et al., 2019a）虽在某些领域成功，但关键依赖于恰当的领域特定变换集合，而这通常难以获取。第二种在所学最终层表示上最小化经典单类损失的方法，例如 DeepSVDD（Ruff et al., 2018），存在表示坍缩这一根本缺陷。本工作中，我们提出深度鲁棒单类分类（DROCC），它既适用于大多数标准领域且无需任何辅助信息，又对表示坍缩具有鲁棒性。DROCC 基于如下假设：感兴趣类别的点位于采样良好、局部线性的低维流形上。实证评估表明，DROCC 在两种不同单类问题设定下以及跨不同领域的多个真实数据集上高度有效：表格数据、图像（CIFAR 和 ImageNet）、音频和时间序列，在异常检测中相较最先进方法准确率提升高达 20%。代码见 https://github.com/microsoft/EdgeML。
引用
@article{arxiv.2002.12718,
title = {DROCC: Deep Robust One-Class Classification},
author = {Sachin Goyal and Aditi Raghunathan and Moksh Jain and Harsha Vardhan Simhadri and Prateek Jain},
journal= {arXiv preprint arXiv:2002.12718},
year = {2020}
}
备注
16 pages, 9 figures, Published at International Conference on Machine Learning (ICML) 2020