用于改进分类与异常检测的潜空间条件化
机器学习
2019-12-02 v2 机器学习
摘要
我们提出一种新型变分自编码器，用于对带有给定标签的数据进行改进的聚类与异常检测预处理。然而异常是未知且无标签的。我们称我们的方法为条件潜空间变分自编码器，因为它通过以数据内部信息为条件来分离潜空间。该方法为数据集中每个类别拟合一个先验分布，有效地将先验分布扩展为包含高斯混合模型。我们通过比较在 k-means 与 EM 算法下聚类形成过程中的 V-score，将我们的方法与典型变分自编码器的能力进行对比。对于异常检测，我们使用由质量-体积与超额质量曲线组成的新度量，其可在无监督设定下工作。我们将结果与孤立森林、局部离群因子与单类支持向量机等已有方法进行比较。
引用
@article{arxiv.1911.10599,
title = {Latent space conditioning for improved classification and anomaly detection},
author = {Erik Norlander and Alexandros Sopasakis},
journal= {arXiv preprint arXiv:1911.10599},
year = {2019}
}