面向抗污染异常检测的分层半监督对比学习
计算机视觉与模式识别
2022-07-26 v1
摘要
异常检测旨在从正常数据分布中识别偏离样本。对比学习为样本表示提供了一种成功途径,可实现异常的有效判别。然而,在半监督设置下训练集受未标注异常样本污染时,当前基于对比的方法通常1)忽略训练数据间的综合关系,导致次优性能,且2)需要微调,导致效率低。为解决上述两个问题,本文提出一种新颖的分层半监督对比学习(HSCL)框架,用于抗污染异常检测。具体而言,HSCL分层地调节三种互补关系:样本到样本、样本到原型、以及正常到异常关系,通过对污染数据的全面探索来扩大正常与异常样本间的判别性。此外,HSCL是一种端到端学习方法,无需微调即可高效学习判别性表示。HSCL在一类分类与跨数据集检测等多种场景中取得了最先进的性能。大量消融实验进一步验证了各考虑关系的有效性。代码见https://github.com/GaoangW/HSCL。
引用
@article{arxiv.2207.11789,
title = {Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection},
author = {Gaoang Wang and Yibing Zhan and Xinchao Wang and Mingli Song and Klara Nahrstedt},
journal= {arXiv preprint arXiv:2207.11789},
year = {2022}
}