记忆正常以检测异常：用于无监督异常检测的记忆增强深度自编码器
计算机视觉与模式识别
2019-08-07 v2
摘要
深度自编码器已被广泛用于异常检测。在 normal 数据上训练后，自编码器被期望对异常输入产生比正常输入更高的重建误差，并以此为识别异常的标准。然而，这一假设在实践中并非总成立。已观察到有时自编码器“泛化”得如此之好，以至于也能很好地重建异常，导致异常的漏检。为缓解基于自编码器的异常检测器的这一缺陷，我们提出用记忆模块增强自编码器，并开发了称为记忆增强自编码器（即 MemAE）的改进自编码器。给定输入，MemAE 首先从编码器获得编码，然后将其作为查询来检索最相关的记忆项用于重建。在训练阶段，记忆内容被更新并被鼓励表示正常数据的原型元素。在测试阶段，学习到的记忆被固定，重建来自正常数据的少量选定记忆记录。因此重建将倾向于接近正常样本。从而异常上的重建误差将被加强以用于异常检测。MemAE 不依赖于数据类型假设，因此可普遍应用于不同任务。在各种数据集上的实验证明了所提 MemAE 的优异泛化性与高效性。
引用
@article{arxiv.1904.02639,
title = {Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection},
author = {Dong Gong and Lingqiao Liu and Vuong Le and Budhaditya Saha and Moussa Reda Mansour and Svetha Venkatesh and Anton van den Hengel},
journal= {arXiv preprint arXiv:1904.02639},
year = {2019}
}
备注
Accepted to appear at ICCV 2019