DSV：一种用于自监督离群模型选择的对齐验证损失
机器学习
2023-07-14 v1
摘要
自监督学习（SSL）通过生成内部监督信号，已被证明能有效解决各类问题。无监督异常检测面临真实标签获取成本高的问题，是能极大受益于SSL的领域。然而，近期文献表明，调整数据增强函数的超参数（HP）对基于SSL的异常检测（SSAD）的成功至关重要，但对此尚无系统方法。本文提出DSV（Discordance and Separability Validation，不一致性与可分离性验证），一种无监督验证损失，用于选择具有有效增强HP的高性能检测模型。DSV通过代理损失捕捉增强函数与异常生成机制之间的对齐，这些代理损失分别近似测试数据的不一致性与可分离性。因此，通过DSV的评估可选出对齐更好、检测精度更高的有效SSAD模型。我们从理论上推导了代理损失所实现的近似程度，并通过实验在21个真实任务上表明DSV优于广泛的基线方法。
引用
@article{arxiv.2307.06534,
title = {DSV: An Alignment Validation Loss for Self-supervised Outlier Model Selection},
author = {Jaemin Yoo and Yue Zhao and Lingxiao Zhao and Leman Akoglu},
journal= {arXiv preprint arXiv:2307.06534},
year = {2023}
}
备注
Accepted to ECML PKDD 2023