面向图像之外深度异常检测的神经变换学习
机器学习
2022-02-04 v4 人工智能
摘要
数据变换（如旋转、翻转与裁剪）在自监督学习中起着重要作用。通常将图像变换为不同视图，并在涉及这些视图的任务上训练神经网络，从而为包括异常检测在内的下游任务产生有用的特征表示。然而，对于图像数据之外的异常检测，通常使用哪些变换往往并不明确。本文提出一种带有可学习变换的异常检测简单端到端流程。核心思想是将变换后的数据嵌入语义空间，使得变换后数据仍与其未变换形式相似，同时不同变换易于区分。在时间序列上的大量实验表明，我们所提方法在 one-vs.-rest 设定下优于现有方法，并在更具挑战性的 n-vs.-rest 异常检测任务中具有竞争力。在来自医疗与网络安全领域的表格数据集上，我们的方法学习到领域特定变换，并比先前工作更准确地检测异常。
引用
@article{arxiv.2103.16440,
title = {Neural Transformation Learning for Deep Anomaly Detection Beyond Images},
author = {Chen Qiu and Timo Pfrommer and Marius Kloft and Stephan Mandt and Maja Rudolph},
journal= {arXiv preprint arXiv:2103.16440},
year = {2022}
}