用于数据污染上无监督异常检测的正态校准自编码器
机器学习
2021-10-29 v1 人工智能
摘要
在本文中，我们提出正态校准自编码器（NCAE），它可在训练阶段无任何先验信息或显式异常样本的情况下，提升在受污染数据集上的异常检测性能。NCAE从具有低熵的潜空间中对抗性地生成高置信度正态样本，并利用它们预测训练数据集中的异常样本。NCAE被训练为最小化未污染样本的重建误差并最大化受污染样本的重建误差。实验结果表明，我们的方法在无监督异常检测上优于浅层、混合和深度方法，并与在训练阶段使用带标签异常样本的半监督方法取得相当的性能。源代码公开于 `https://github.com/andreYoo/NCAE_UAD.git'。
引用
@article{arxiv.2110.14825,
title = {Normality-Calibrated Autoencoder for Unsupervised Anomaly Detection on Data Contamination},
author = {Jongmin Yu and Hyeontaek Oh and Minkyung Kim and Junsik Kim},
journal= {arXiv preprint arXiv:2110.14825},
year = {2021}
}
备注
Accepted for NeurIPS 2021 Workshop DGMs Applications