基于鲁棒变分自编码的新颖性检测
机器学习
2023-03-02 v4 机器学习
摘要
我们提出一种新的新颖性检测方法,可容忍训练点的高度污染,而先前工作假设无污染或极低污染。我们的方法训练一个鲁棒变分自编码器(VAE),旨在为未受污染的训练点生成模型。为获得对高度污染的鲁棒性,我们对常见VAE做了以下四点改动:1. 通过精心设计的分布维度约简组件提取潜码的关键特征;2. 将潜变量分布建模为高斯低秩内点和高秩离群点的混合,其中测试仅使用内点模型;3. 应用Wasserstein-1度量而非Kullback-Leibler(KL)散度进行正则化;4. 使用鲁棒重构误差。我们确立了Wasserstein度量相对于KL散度对离群点的鲁棒性以及对低秩建模的适用性。我们在标准基准上展示了最先进的结果。
引用
@article{arxiv.2006.05534,
title = {Novelty Detection via Robust Variational Autoencoding},
author = {Chieh-Hsin Lai and Dongmian Zou and Gilad Lerman},
journal= {arXiv preprint arXiv:2006.05534},
year = {2023}
}