迷人的监督信号及其何处寻：基于尺度学习的深度异常检测

由于异常检测的无监督性质，驱动深度模型的关键在于寻找监督信号。与当前基于重构的生成模型和基于变换的对比模型不同，我们通过引入一个特征——尺度——作为数据标签，为表格数据设计了新颖的数据驱动监督。通过表示数据实例的多样化子向量，我们将尺度定义为原始子向量维度与表示维度之间的关系。尺度作为标签附加到变换后的表示上，从而为神经网络训练提供充足的带标签数据。本文进一步提出一种基于尺度学习的异常检测方法。在以尺度分布对齐为学习目标的监督下，我们的方法学习每个数据实例的多样化子空间转换所得表示的排序。通过该代理任务，我们的方法建模了数据内部固有的规律与模式，这很好地描述了数据“正常性”。测试实例的异常程度通过衡量其是否符合这些学习到的模式来获得。大量实验表明，我们的方法相比最先进的生成式/对比式异常检测方法取得了显著改进。