Elsa：基于能量的半监督异常检测学习
计算机视觉与模式识别
2022-01-04 v2 机器学习
摘要
异常检测旨在从正常数据分布中识别偏离样本。该领域已取得诸多进展，包括无监督对比学习的创新应用。然而，现有方法通常假设训练数据干净，且在数据含有未知异常时表现受限。本文提出 Elsa，一种新颖的半监督异常检测方法，将基于能量模型的概念与无监督对比学习相统一。Elsa 通过基于新能量函数的精心设计的微调步骤，迫使正常数据被划分为原型类别，从而对任意数据污染赋予鲁棒性。在多种污染场景下的实验表明，所提模型取得了 SOTA 性能。大量分析也验证了所提模型中各组件的贡献。除实验外，我们还从理论层面解释了为何仅凭对比学习无法在数据污染下检测异常。
引用
@article{arxiv.2103.15296,
title = {Elsa: Energy-based learning for semi-supervised anomaly detection},
author = {Sungwon Han and Hyeonho Song and Seungeon Lee and Sungwon Park and Meeyoung Cha},
journal= {arXiv preprint arXiv:2103.15296},
year = {2022}
}
备注
Accepted and published at BMVC2021