基于重构误差的少异常样本异常检测
机器学习
2024-06-06 v2
摘要
基于重构误差的神经网络架构是异常检测的经典深度学习方法，已展现优异性能。其做法是训练一个 Autoencoder（自编码器）重构一组被认为代表正常性的样本，然后将重构误差足够大的数据判为异常。遗憾的是，这些架构常也能很好地重构数据中的异常。当训练集中存在异常时该现象更明显。特别是当这些异常被标注时（称为半监督设定），训练自编码器的最佳方式是忽略异常并最小化正常数据的重构误差。本文旨在研究使基于重构误差的架构能指导模型将已知异常置于正常数据域描述之外的方法。具体地，我们的策略利用有限数量的异常样本来增大正常样本与已知及未知异常样本各自关联重构误差间的对比度，从而提升异常检测性能。实验表明该新流程优于标准自编码器方法及主要的半监督异常检测深度学习技术。
引用
@article{arxiv.2305.10464,
title = {Reconstruction Error-based Anomaly Detection with Few Outlying Examples},
author = {Fabrizio Angiulli and Fabio Fassetti and Luca Ferragina},
journal= {arXiv preprint arXiv:2305.10464},
year = {2024}
}