用于异常检测的潜空间不敏感自编码器
机器学习
2021-11-16 v2 计算机视觉与模式识别
摘要
基于重构的异常检测方法在应用于具有类间方差较大的目标类的复杂数据集时往往表现不佳。类似于迁移学习中使用的自教学习思想，许多领域拥有丰富的相似无标签数据集，可作为分布外样本的代理加以利用。本文提出潜空间不敏感自编码器（LIS-AE），利用来自相似领域的无标签数据作为负例来塑造常规自编码器的潜层（瓶颈），使其仅能重构单一任务。我们为所提出的训练过程和损失函数提供了理论依据，并进行了广泛的消融实验以突出模型的重要方面。我们在多种异常检测设置下测试了模型，给出了定量与定性分析，展示了我们的模型在异常检测任务上的显著性能提升。
引用
@article{arxiv.2110.13101,
title = {Latent-Insensitive autoencoders for Anomaly Detection},
author = {Muhammad S. Battikh and Artem A. Lenskiy},
journal= {arXiv preprint arXiv:2110.13101},
year = {2021}
}
备注
19 pages