利用自编码器的弱点生成伪异常
机器学习
2024-05-20 v2 计算机视觉与模式识别
摘要
由于异常事件罕见发生，典型做法是仅使用正常数据训练自编码器（AE），使其学习正常训练数据的模式或表征。在测试阶段，训练好的AE预期能良好重构正常数据，但对异常数据重构不佳。然而，与预期相反，异常数据常被良好重构。为进一步分离正常与异常数据重构质量，我们提出通过利用自编码器上述弱点（即重建异常数据过好）来创建伪异常。生成的噪声被添加到正常数据以创建伪异常。在Ped2、Avenue、ShanghaiTech、CIFAR-10和KDDCUP数据集上进行的大量实验表明，我们方法在提升自编码器对异常检测的判别能力方面有效且通用。
引用
@article{arxiv.2405.05886,
title = {Exploiting Autoencoder's Weakness to Generate Pseudo Anomalies},
author = {Marcella Astrid and Muhammad Zaigham Zaheer and Djamila Aouada and Seung-Ik Lee},
journal= {arXiv preprint arXiv:2405.05886},
year = {2024}
}
备注
SharedIt link: https://rdcu.be/dGOrh