用于异常检测的重要性加权对抗判别迁移
机器学习
2021-05-20 v3 人工智能
摘要
以往的异常检测迁移方法通常假设源域或目标域中存在有标签数据。然而，在多数实际应用中，此类假设并不成立，因为大规模有标签数据过于昂贵。因此，本文提出一种基于重要性加权对抗自编码器的方法，以无监督方式迁移异常检测知识，特别针对一种极少被研究的场景：目标域无有标签的正常/异常数据，而仅存在来自相关源域的正常数据。具体而言，该方法学习对齐源域与目标域中正常数据的分布，但保持目标域中异常数据的分布不变。如此一来，目标域中正常数据与异常数据的分布之间可产生明显间隙，从而在该域中实现异常检测。在多个合成数据集与UCSD基准上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2105.06649,
title = {Importance Weighted Adversarial Discriminative Transfer for Anomaly Detection},
author = {Cangning Fan and Fangyi Zhang and Peng Liu and Xiuyu Sun and Hao Li and Ting Xiao and Wei Zhao and Xianglong Tang},
journal= {arXiv preprint arXiv:2105.06649},
year = {2021}
}