面向异常检测的掩码对比学习
机器学习
2023-01-31 v2 计算机视觉与模式识别
摘要
检测异常是安全关键软件系统的一个基本方面，然而它仍是一个长期存在的问题。已提出众多分支工作以缓解该复杂性并证明其有效性。特别地，基于自监督学习的方法因其在无需额外标签情况下学习多样表示的能力而激发兴趣。在自监督学习策略中，对比学习是一个在特定框架中验证其在包括异常检测在内的各领域优越性的方法。然而，对比学习的主要目标是学习无任何标签的任务无关特征，这并不完全适合辨别异常。在本文中，我们提出一种对比学习的任务特定变体，称为掩码对比学习，其更适于异常检测。此外，我们提出一种称为自集成推断的新推断方法，通过利用通过辅助自监督任务习得的能力进一步提升性能。通过结合我们的模型，我们能在各种基准数据集上以显著优势超越先前的最先进方法。
引用
@article{arxiv.2105.08793,
title = {Masked Contrastive Learning for Anomaly Detection},
author = {Hyunsoo Cho and Jinseok Seol and Sang-goo Lee},
journal= {arXiv preprint arXiv:2105.08793},
year = {2023}
}
备注
Accepted to IJCAI 2021