改进的带LSTM模块和KL散度的自编码器
机器学习
2024-11-19 v2 计算机视觉与模式识别
摘要
异常检测的任务是从数据集中分离异常数据与正常数据。深度卷积自编码器（CAE）网络和深度支持向量数据描述（SVDD）模型等模型已被广泛使用，并在检测异常方面取得了显著成功。然而，CAE网络对异常数据的过度重建能力容易导致检测异常数据时假阴性率较高。另一方面，深度SVDD模型存在特征坍缩的缺点，导致异常检测精度下降。为了解决这些问题，本文提出了改进的带LSTM模块和Kullback-Leibler散度的自编码器（IAE-LSTM-KL）模型。在编码器之后添加LSTM网络以记忆正常数据的特征表示。同时，通过KL散度惩罚输入到SVDD模块的特征，也可以缓解特征坍缩现象。通过在合成数据集和真实数据集上的实验验证了IAE-LSTM-KL模型的有效性。实验结果表明，IAE-LSTM-KL模型对异常具有更高的检测精度。此外，还发现IAE-LSTM-KL模型对数据集中的污染异常值表现出更强的鲁棒性。所有代码可在https://github.com/crazyn2/IAE-LSTM-KL_codes获取。
引用
@article{arxiv.2404.19247,
title = {Improved AutoEncoder with LSTM module and KL divergence},
author = {Wei Huang and Bingyang Zhang and Kaituo Zhang and Hua Gao and Rongchun Wan},
journal= {arXiv preprint arXiv:2404.19247},
year = {2024}
}