基于变分自编码器的q空间新颖性检测
机器学习
2018-10-26 v2 人工智能
计算机视觉与模式识别
机器学习
神经与进化计算
摘要
在机器学习中，新颖性检测是识别未见新颖数据的任务。训练期间仅可获得正常类的样本。测试样本通过赋予新颖性分数被分类为正常或异常。此处我们提出基于在正常数据上训练变分自编码器(VAEs)的新颖性检测方法。由于异常样本未用于训练，我们基于（部分互补的）如下假设定义新颖性度量：VAE重建异常样本的能力较弱；异常样本更强地违背VAE正则项；以及异常样本不仅区别于正常样本于输入特征空间，也区别于VAE潜空间与VAE输出。这些方法，结合利用（例如采样）概率性VAE获得标量新颖性分数的多种可能，产生了一个庞大方法族。我们将这些方法应用于磁共振成像，即多发性硬化患者扩散MRI扫描中扩散空间（q空间）异常的检测，亦即无需任何病变标签训练来检测多发性硬化病灶。我们的许多方法优于先前提出的q空间新颖性检测方法。我们还在MNIST手写数字数据集上评估了所提方法，并显示其中许多能够超越当前最优水平。
引用
@article{arxiv.1806.02997,
title = {q-Space Novelty Detection with Variational Autoencoders},
author = {Aleksei Vasilev and Vladimir Golkov and Marc Meissner and Ilona Lipp and Eleonora Sgarlata and Valentina Tomassini and Derek K. Jones and Daniel Cremers},
journal= {arXiv preprint arXiv:1806.02997},
year = {2018}
}
备注
11 pages, 2 figures