用于有监督异常检测的显式边界引导半推拉对比学习
计算机视觉与模式识别
2023-04-10 v2
摘要
大多数异常检测（AD）模型仅使用正常样本以无监督方式学习，这可能导致决策边界模糊且判别力不足。事实上，真实应用中常可获得少量异常样本，已知异常的宝贵知识也应被有效利用。然而，在训练中使用少量已知异常可能引发另一问题：模型可能被这些已知异常偏置，从而无法泛化至未知异常。本文处理有监督异常检测，即我们利用少量可用异常学习 AD 模型，目标是检测已见与未见异常。我们提出一种新颖的显式边界引导半推拉对比学习机制，可增强模型判别力同时缓解偏置问题。我们的方法基于两个核心设计：首先，我们寻找一个显式且紧致的分离边界作为进一步特征学习的引导。由于该边界仅依赖于正常特征分布，由少量已知异常引起的偏置问题可得以缓解。其次，我们开发了边界引导的半推拉损失，仅将正常特征拉拢在一起，同时将异常特征推离分离边界超过某一间隔区域。如此，我们的模型可形成更显式且更具判别力的决策边界，从而更有效地区分正常样本与已知及未见异常。代码将发布于 https://github.com/xcyao00/BGAD。
引用
@article{arxiv.2207.01463,
title = {Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection},
author = {Xincheng Yao and Ruoqi Li and Jing Zhang and Jun Sun and Chongyang Zhang},
journal= {arXiv preprint arXiv:2207.01463},
year = {2023}
}
备注
Accepted to CVPR 2023