多输入变分自编码器用于异构数据中的异常检测

异常检测（AD）在AI应用中发挥着关键作用，例如在分类和网络安全中的入侵/威胁检测。然而，大多数现有方法面临由非独立同分布（non-IID）数据所导致的特征子集之间的异构性挑战。我们提出了一种 novel 神经网络模型，称为用于异常检测的多输入自编码器（MIAEAD），以解决此问题。MIAEAD 为数据样本的每个特征子集分配一个异常得分，以指示其被异常的可能性。这通过使用其子编码器的重构误差作为异常得分来实现。所有子编码器随后使用无监督学习方式同时训练，以确定特征子集的异常得分。计算 MIAEAD 的最终 AUC，用于每个子数据集，选取其中在子数据集中获得的最大 AUC。为充分利用对正常数据分布建模以识别生成模型中的异常，我们发展了一种 novel 神经网络架构/模型，称为多输入变分自编码器（MIVAE）。MIVAE 可通过其子编码器处理特征子集，然后在潜在空间中学习正常数据的分布。这使 MIVAE 能够识别偏离所学分布的异常。我们理论上证明，由提议的 MIVAE 获取的正常样本与异常样本之间平均异常得分之差，大于变分自编码器（VAEAD）之差，导致 MIVAE 的 AUC 更高。在八个真实世界异常数据集上的大量实验表明，MIAEAD 和 MIVAE 在常规方法和最先进的无监督模型方面性能优越，AUC 分数提升最高可达 6%。或者，MIAEAD 和 MIVAE 在基于系数变异（CV）得分评估的特征子集异构性较低时，AUC 得分也很高。