可解释最大间隔深度异常检测
机器学习
2026-03-10 v1
摘要
异常检测是广泛应用于各领域的关键机器学习任务。深度支持向量数据描述（Deep SVDD）是一种突出的深度单类方法，但其易受超球体坍缩影响，往往依赖于对超球体参数的启发式选择，且提供的解释性有限。为此，我们提出可解释最大间隔深度异常检测方法（IMD-AD），通过利用少量标记异常样本和最大间隔目标来稳定训练并提高判别能力。其对超球体坍缩天然具有鲁棒性。此外，我们证明了超球体参数与网络最终层权重之间的等价性，这使得中心点和半径可作为模型的一部分端到端学习，具有内在解释性和可视化输出。我们进一步开发了一种高效训练算法，联合优化表示、间隔和最终层参数。大量实验和消融研究在图像和表格基准数据集上表明，IMD-AD 在多个最新基线方法上显著提升了检测性能，同时提供了可解释的决策诊断。
引用
@article{arxiv.2603.07073,
title = {Interpretable Maximum Margin Deep Anomaly Detection},
author = {Zhiji Yang and Mei Huang and Xinyu Li and Xianli Pan and Qi Wang and Jianhua Zhao},
journal= {arXiv preprint arXiv:2603.07073},
year = {2026}
}