基于深度生成模型的群体异常检测
计算机视觉与模式识别
2018-04-16 v1
摘要
与关注点异常的传统异常检测研究不同，我们的目标是检测由单个数据点组成的异常集合。具体而言，我们执行群体异常检测（GAD），重点在于不规则的群体分布（例如不规则的图像像素混合）。GAD 在检测现实应用（如高能粒子物理、社交媒体和医学成像）中异常与不寻常现象方面是一项重要任务。本文中，我们采用生成式方法，提出用于群体异常检测的深度生成模型：对抗自编码器（AAE）和变分自编码器（VAE）。AAE 和 VAE 均使用点级输入数据检测群体异常，其中群体成员关系为先验已知。我们进行了大量实验，在真实世界数据集上评估我们的模型。实证结果表明，我们的方法在检测群体异常方面有效且鲁棒。
引用
@article{arxiv.1804.04876,
title = {Group Anomaly Detection using Deep Generative Models},
author = {Raghavendra Chalapathy and Edward Toth and Sanjay Chawla},
journal= {arXiv preprint arXiv:1804.04876},
year = {2018}
}
备注
Submitted Under review to The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases ECML-2018 Conference Dublin, Ireland during the 10-14 September 2018