通过条件潜在空间变分自编码器集成实现异常检测改进
机器学习
2024-10-17 v1 计算机视觉与模式识别
概率论
摘要
我们提出一种新的条件潜在空间变分自编码器（CL-VAE）用于对已知类内样本和未知类外样本的数据进行改进异常检测。该提出的变分自编码器（VAE）通过对数据中的信息进行条件化来提高潜在空间的分离度。该方法为数据集中的每个类拟合独特的先验分布，实际上将 VAE 的经典先验分布扩展为包括高斯混合模型。将这些 VAE 集成到潜在空间中形成一组共识，大大提高了跨数据集的异常检测准确率。我们的方法与典型 VAE、CNN 和 PCA 进行比较，以 AUC 为指标进行异常检测。该模型在 MNIST 数据集上实现了 97.4% 的 AUC，优于第二名的 95.7%。此外，CL-VAE 显示出更大的集成收益、更可解释的潜在空间以及更强的学习复杂数据中模式的能力（在有限模型规模下）。
引用
@article{arxiv.2410.12328,
title = {Improved Anomaly Detection through Conditional Latent Space VAE Ensembles},
author = {Oskar Åström and Alexandros Sopasakis},
journal= {arXiv preprint arXiv:2410.12328},
year = {2024}
}
备注
13 pages of main article, 19 pages including references and appendix, 4 figures