基于偏差网络的可解释深度少样本异常检测

现有异常检测范式绝大多数专注于仅使用正常数据或未标记数据（多为正常样本）训练检测模型。这些方法的一个臭名昭著的问题是，由于缺乏关于异常的知识，它们难以将异常与正常样本区分开。在此，我们研究少样本异常检测问题，旨在利用少量标注异常样本训练样本高效的判别检测模型。为解决该问题，我们引入一种新颖的弱监督异常检测框架，可在不假设样本涵盖所有可能异常类别的情况下训练检测模型。具体而言，所提方法通过利用标注异常与先验概率来学习判别性常态（规律性），以强制表达正常的表征与无界的异常偏离表征。这通过异常分数的端到端神经偏差学习优化实现，其中正常样本的异常分数被强制近似于从先验中抽取的标量分数，而异常样本的异常分数则被强制在这些采样分数的上尾具有统计显著的偏离。此外，我们的模型通过基于 top-K 多示例学习的特征子空间偏差学习来优化细粒度正常与异常表征，从而获得更具泛化性的表示。在九个真实世界图像异常检测基准上的综合实验表明，我们的模型在样本效率和鲁棒性上大幅更优，且在闭集与开集设定下均显著优于最先进的竞争方法。由于先验驱动的异常分数学习，我们的模型还能提供解释能力。代码与数据集见：https://git.io/DevNet。