用Lipschitz判别器修正基于重建的异常检测中的偏差
机器学习
2020-07-28 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
在需要识别并纠正异常情况的领域（如医学和金融）中，异常检测备受关注。用于该任务的深度学习方法通常依赖于自编码器重建误差，有时结合其他误差。我们表明这种方法存在导致不良结果的内在偏差。基于重建的方法对训练数据中的离群点和易于重建的点敏感。相反，我们引入了一种新的无监督Lipschitz异常判别器，其不受这些偏差影响。我们的异常判别器的训练方式与GAN中使用的判别器类似，用于检测训练数据与训练数据腐蚀版本之间的差异。我们表明该过程能成功检测未见异常，并对那些与数据或腐蚀训练集具有特定Wasserstein距离的样本提供保证。这些改进使我们能够在MNIST、CIFAR10和健康记录数据上展示性能提升。
引用
@article{arxiv.1905.10710,
title = {Fixing Bias in Reconstruction-based Anomaly Detection with Lipschitz Discriminators},
author = {Alexander Tong and Guy Wolf and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:1905.10710},
year = {2020}
}
备注
6 pages, 4 figures, 2 tables, presented at IEEE MLSP