关于生成模型与判别模型在异常检测中的联系
机器学习
2022-11-17 v1 人工智能
机器学习
摘要
异常检测 (AD) 在学术界和工业界均引起了相当关注。由于许多实际案例中缺乏异常数据,AD 通常先对正常数据模式建模,再判断数据是否符合该模型来求解。生成模型 (GM) 似乎是达成此目的的自然工具,其学习正常数据分布并用概率密度函数 (PDF) 估计之。然而,一些工作观察到了此类基于 GM 的 AD 方法的理想性能局限。本文中,我们针对基于 GM 的 AD 方法的理想性能局限提出新视角。我们指出,在这些方法中,将 GM 的结果与 AD 的目标相连接的隐含假设通常由于正常数据的多峰分布特性(在实际案例中十分常见)而难以成立。我们首先定性地表述该视角,然后聚焦于高斯混合模型 (GMM) 直观阐明该视角,GMM 是一种典型 GM 且具有逼近多峰分布的自然性质。基于所提视角,为规避基于 GMM 的 AD 方法中的隐含假设,我们建议融入判别思想以将 GMM 导向 AD 任务 (DiGMM)。借助 DiGMM,我们建立了生成模型与判别模型之间的联系,二者是 AD 的两个关键范式且此前通常被分开对待。该联系为未来工作联合考量两种范式并融合其互补特性用于 AD 提供了可能的方向。
引用
@article{arxiv.2211.08910,
title = {On the Connection of Generative Models and Discriminative Models for Anomaly Detection},
author = {Jingxuan Pang and Chunguang Li},
journal= {arXiv preprint arXiv:2211.08910},
year = {2022}
}