提升异常检测性能的神经网络训练策略：基于重构损失放大的视角
计算机视觉与模式识别
2023-08-29 v1 人工智能
机器学习
图像与视频处理
摘要
无监督异常检测（UAD）因异常罕见与数据不平衡而在工业界被广泛采用。UAD模型的一个理想特性是受控的泛化能力，即擅长重构已见正常模式却难以重构未见异常。近期研究从不同视角（如神经网络结构设计与训练策略）着手限制其UAD模型的泛化能力。相反，我们注意到，重构中泛化能力的受限亦可简单地通过陡形损失景观获得。受此启发，我们提出一种通过放大重构损失来锐化损失景观的方法，称为损失放大（Loss AMPlification, LAMP）。LAMP将损失景观形变为陡峭形状，从而使未见异常上的重构误差变大。据此，异常检测性能得以提升，且无需任何神经网络架构的改变。我们的发现表明，LAMP可轻松应用于任何重构误差度量，适用于仅以无异常样本训练重构模型的UAD设定。
引用
@article{arxiv.2308.14595,
title = {Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification},
author = {YeongHyeon Park and Sungho Kang and Myung Jin Kim and Hyeonho Jeong and Hyunkyu Park and Hyeong Seok Kim and Juneho Yi},
journal= {arXiv preprint arXiv:2308.14595},
year = {2023}
}
备注
5 pages, 4 figures, 2 tables