利用最近邻重构改进新颖性检测
机器学习
2022-10-12 v2
摘要
我们表明，在自编码器（AE）的潜空间中利用最近邻，可显著提升单类与多类情形下半监督新颖性检测的性能。自编码方法通过学习区分非新颖训练类与所有其他未见类来检测新颖性。我们的方法结合了给定输入潜表示的近邻重构与潜邻距离。我们证明，我们的最近潜邻（NLN）算法在内存与时间上高效，不需要显著的数据增强，也不依赖预训练网络。此外，我们表明 NLN 算法无需修改即可轻松应用于多个数据集。另外，所提算法对自编码器架构与重构误差方法具有无关性。我们在多个标准数据集上，针对多种不同的自编码架构（如 vanilla、对抗与变分自编码器），使用重构、残差或特征一致损失验证了我们的方法。结果表明，NLN 算法在多类情形下使接收者操作特征曲线下面积（AUROC）性能提升高达 17%，在单类新颖性检测中提升 8%。
引用
@article{arxiv.2111.06150,
title = {Improving Novelty Detection using the Reconstructions of Nearest Neighbours},
author = {Michael Mesarcik and Elena Ranguelova and Albert-Jan Boonstra and Rob V. van Nieuwpoort},
journal= {arXiv preprint arXiv:2111.06150},
year = {2022}
}