基于合成负数据学习的实时密集异常检测
计算机视觉与模式识别
2023-05-25 v1 机器学习
摘要
大多数密集异常检测方法依赖于生成建模或利用负数据训练的判别方法。我们考虑一种近期的混合方法，其根据判别预测的交叉熵与预测的能量密度负对数似然来优化同一共享表示。我们通过一个联合训练的生成流扩展该工作，该生成流在分布内点（inlier）分布的边界处采样合成负样本。所提出的扩展提供了在无真实负数据情况下学习该混合方法的潜力。我们的实验分析了使用合成负数据训练的影响，并验证了基于能量的密度在训练与评估过程中的贡献。
引用
@article{arxiv.2305.15227,
title = {Real time dense anomaly detection by learning on synthetic negative data},
author = {Anja Delić and Matej Grcić and Siniša Šegvić},
journal= {arXiv preprint arXiv:2305.15227},
year = {2023}
}
备注
3 pages