多类异常检测
机器学习
2022-11-30 v3 人工智能
摘要
我们研究正常类由多于一种对象类别组成时的异常检测。这是标准单类异常检测问题的一个显然的推广。然而，我们表明，联合使用多个单类异常检测器来解决该问题，其效果不如在所有正常对象类别上一起训练单个单类异常检测器。我们进一步开发了一种称为 DeepMAD 的新异常检测器，它通过利用多个正常对象类别来学习紧凑的判别特征。该算法相较于两种表现最优的单类算法取得了更高的 AUC 值，这两种算法分别在各个正常对象类别上训练或是在所有正常对象类别合并后联合训练。除理论结果外，我们使用 CIFAR-10、fMNIST、CIFAR-100 以及我们开发的一个称为 RECYCLE 的新数据集给出了实证结果。
引用
@article{arxiv.2110.15108,
title = {Multi-Class Anomaly Detection},
author = {Suresh Singh and Minwei Luo and Yu Li},
journal= {arXiv preprint arXiv:2110.15108},
year = {2022}
}
备注
13 pages