使用具有理论性能保证的生成模型进行离群点检测
信息论
2018-10-29 v1 计算机视觉与模式识别
图像与视频处理
math.IT
最优化与控制
机器学习
摘要
本文考虑从受稀疏离群点污染的压缩测量中恢复信号的问题，该问题已在许多应用中出现。本文提出一种生成模型神经网络方法，用于在稀疏离群点下重建真实信号。我们提出一种迭代交替方向乘子法（ADMM）算法，通过 范数最小化解决离群点检测问题，以及一种梯度下降算法，通过平方 范数最小化解决离群点检测问题。我们建立了在存在离群点时使用生成模型进行信号重建的恢复保证，并给出了允许恢复的最大离群点数量的上界。我们的结果适用于线性生成器神经网络和具有任意层数非线性生成器神经网络。我们使用变分自编码器和深度卷积生成对抗网络进行了大量实验，实验结果表明使用我们的方法可以在离群点下成功重建信号。我们的方法优于传统的 Lasso 和 最小化方法。
引用
@article{arxiv.1810.11335,
title = {Outlier Detection using Generative Models with Theoretical Performance Guarantees},
author = {Jirong Yi and Anh Duc Le and Tianming Wang and Xiaodong Wu and Weiyu Xu},
journal= {arXiv preprint arXiv:1810.11335},
year = {2018}
}
备注
38 Pages, 15 Figures, 10 Lemmas or Theorems with Proofs