通过密度矩阵的潜在异常检测

本文提出了一种新颖的异常检测框架，将基于密度估计的异常检测方法的稳健统计原理与深度学习的表示学习能力相结合。该方法以两种不同版本呈现：浅层方法采用基于自适应傅里叶特征和密度矩阵的密度估计模型，深层方法则整合自编码器以学习数据的低维表示。通过估计新样本的密度，两种方法均能得出正常性分数。这些方法可以无缝集成到端到端架构中，并利用基于梯度的优化技术进行优化。为评估其性能，在各种基准数据集上进行了大量实验。结果表明，两种版本的方法与其他最先进方法相比，能够达到相当或更优的性能。尤其值得注意的是，浅层方法在维度较少的数据集上表现更好，而基于自编码器的方法在高维数据集上表现出更优性能。