基于扰动学习的异常检测
机器学习
2023-02-07 v1 人工智能
摘要
本文提出一种简单而有效的异常检测方法。主要思想是学习小的扰动以扰动正常数据，并学习一个分类器将正常数据与扰动数据分为两类。扰动器与分类器利用深度神经网络联合学习。重要的是，扰动应尽可能小，但分类器仍能从非扰动数据中识别扰动数据。因此，扰动数据被视为异常数据，分类器提供了正常数据与异常数据之间的决策边界，尽管训练数据中不包含任何异常数据。与最先进的异常检测方法相比，我们的方法不需要关于决策边界形状（如超球面）的任何假设，且需确定的超参数更少。在基准数据集上的实证研实验证了 ours 方法的有效性与优越性。
引用
@article{arxiv.2206.02704,
title = {Perturbation Learning Based Anomaly Detection},
author = {Jinyu Cai and Jicong Fan},
journal= {arXiv preprint arXiv:2206.02704},
year = {2023}
}