基于自编码器的潜向量扩展用于异常检测

深度学习方法可将图像、语言和语音等各类非结构化数据作为输入进行分类。随着现实世界中异常分类任务日益重要，已有多种利用现实采集数据通过深度学习进行分类的方法。随着现实世界中异常分类任务日益重要，已有多种利用现实采集数据通过深度学习进行分类的方法。在各种方法中，代表性思路包括基于预训练模型迁移模型提取并学习主要特征的方法，以及仅用正常数据训练自编码器结构并通过阈值将其分类为异常的方法。然而，若数据集不平衡，即便最先进的模型也无法取得良好性能。这可通过将不平衡数据中的正常与异常特征增强为具有强区分性的特征来解决。我们利用自编码器的特征，将潜向量从低维训练至高维。我们将不平衡数据中的正常与异常数据训练为具有强区分性的特征。我们提出一种潜向量扩展自编码器模型，提升了在不平衡数据上的分类性能。所提方法相较基础自编码器在不平衡异常数据集上显示出性能提升。