OCSVM引导的无监督异常检测表示学习

无监督异常检测（UAD）旨在没有标签数据的情况下检测异常，这在异常样本稀少或不可用的许多机器学习应用中是必要的。大多数最先进的方法分为两类：基于重构的方法（通常能很好地重构异常）和结合密度估计器的解耦表示学习（可能遭受次优特征空间的影响）。虽然一些近期方法尝试将特征学习与异常检测耦合，但它们通常依赖于替代目标、限制核选择或引入近似，从而限制了其表达能力和鲁棒性。为应对这一挑战，我们提出了一种新颖方法，通过一种定制的损失函数，将表示学习与一个可解析求解的一类SVM（OCSVM）紧密耦合，该损失函数直接使潜在特征与OCSVM决策边界对齐。该模型在两个任务上进行了评估：一个基于MNIST-C的新基准，以及一个具有挑战性的脑MRI细微病变检测任务。与大多数关注图像级别的大面积高信号病变的方法不同，我们的方法成功定位了小的、非高信号的病变，同时我们评估了体素级别的指标，解决了一个更具临床相关性的场景。两个实验都评估了对领域偏移的鲁棒性，包括MNIST-C中的损坏类型和MRI中的扫描仪/年龄变化。结果证明了我们提出模型的性能和鲁棒性，突显了其在通用UAD和现实世界医学影像应用中的潜力。源代码可在https://github.com/Nicolas-Pinon/uad_ocsvm_guided_repr_learning获取。