FewSOME：基于孪生网络的一类少样本异常检测
机器学习
2023-06-14 v4
摘要
近期的异常检测技术推动了该领域显著发展，但代价是训练流程日益复杂。此类技术需要大量训练数据，导致计算代价高昂的算法，不适用于仅能提供少量正常样本用于训练的场景。我们提出“少样本异常检测”（FewSOME），一种深度一类异常检测算法，能够在仅以“少量”正常类样本训练、且无异常类样本的情况下准确检测异常。我们描述 FewSOME 具有低复杂度，因其数据需求低且训练时间短。FewSOME 借助预训练权重，采用基于孪生网络的架构。通过消融实验，我们展示了所提出的损失“Stop Loss”如何提升 FewSOME 的鲁棒性。我们的实验表明，FewSOME 在基准数据集 MNIST、CIFAR-10、F-MNIST 与 MVTec AD 上达到 SOTA 水平，而仅以 30 个正常样本训练，这仅是现有方法训练所用数据的极小部分。此外，我们的实验显示 FewSOME 对受污染数据集具有鲁棒性。除 AUC 外，我们还报告了 F1 分数与平衡准确率，作为未来技术比较的基准。代码可用：https://github.com/niamhbelton/FewSOME。
引用
@article{arxiv.2301.06957,
title = {FewSOME: One-Class Few Shot Anomaly Detection with Siamese Networks},
author = {Niamh Belton and Misgina Tsighe Hagos and Aonghus Lawlor and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2301.06957},
year = {2023}
}