ESAD：端到端深度半监督异常检测
机器学习
2021-10-22 v3 计算机视觉与模式识别
摘要
本文探讨半监督异常检测这一更实用的异常检测设定，其中提供了一小组额外的带标签样本。我们提出了一种基于KL散度的半监督异常检测目标函数，并表明两个因素：数据与潜表示之间的互信息，以及潜表示的熵，构成了异常检测的完整目标函数。为解决同时优化这两因素时的矛盾，我们提出了一种新颖的编码器-解码器-编码器结构，第一个编码器专注于优化互信息，第二个编码器专注于优化熵。通过对它们的潜表示施加一致性约束，强制两个编码器共享相似的编码。大量实验表明，所提方法在多个基准数据集上显著优于若干SOTA方法，包括医学诊断和几个经典异常检测基准。
引用
@article{arxiv.2012.04905,
title = {ESAD: End-to-end Deep Semi-supervised Anomaly Detection},
author = {Chaoqin Huang and Fei Ye and Peisen Zhao and Ya Zhang and Yan-Feng Wang and Qi Tian},
journal= {arXiv preprint arXiv:2012.04905},
year = {2021}
}
备注
Accepted by BMVC 2021