MOCCA：用于异常检测的多层单类分类方法
计算机视觉与模式识别
2021-12-14 v4 人工智能
摘要
异常现象在所有科学领域无处不在，可表现为由于对数据分布认知不完整或未知过程突然起作用并扭曲观测而引发的意外事件。由于此类事件罕见，为在异常检测（AD）任务上训练深度学习模型，科学家仅依赖“正常”数据，即非异常样本。从而让神经网络推断输入数据背后的分布。在此背景下，我们提出一种新颖框架，名为多层单类分类（MOCCA），用于在AD任务上训练和测试深度学习模型。具体而言，我们将其应用于自编码器。我们工作的一个关键创新在于对AD任务的中间表征进行显式优化。事实上，与将神经网络视为单一计算块（即仅使用最后一层输出）的常用方法不同，MOCCA显式利用了深度架构的多层结构。每一层的特征空间在训练期间针对AD进行优化，而在测试阶段，从已训练层提取的深度表征被组合以检测异常。借助MOCCA，我们将训练过程分为两步。首先，自编码器仅在重构任务上训练。然后，我们仅保留编码器，其任务是在每个考量层最小化输出表征与参考点（无异常训练数据的质心）之间的L_2距离。随后，我们在推理时组合从编码器模型各已训练层提取的深度特征以检测异常。为评估用MOCCA训练的模型性能，我们在公开可用数据集上进行了大量实验。我们表明，我们提出的方法达到了与文献中现有最优方法相当或更优的性能。
引用
@article{arxiv.2012.12111,
title = {MOCCA: Multi-Layer One-Class ClassificAtion for Anomaly Detection},
author = {Fabio Valerio Massoli and Fabrizio Falchi and Alperen Kantarci and Şeymanur Akti and Hazim Kemal Ekenel and Giuseppe Amato},
journal= {arXiv preprint arXiv:2012.12111},
year = {2021}
}
备注
The paper has been accepted for publication in the IEEE Transactions on Neural Networks and Learning Systems, Special Issue on Deep Learning for Anomaly Detection