异常检测中的表示学习：成功、局限与重大挑战
机器学习
2023-07-21 v1 计算机视觉与模式识别
摘要
在本观点论文中，我们主张异常检测中的主导范式无法无限扩展，终将遭遇根本性局限。这源于异常检测的“没有免费午餐”原理。当存在强任务先验时（正如许多工业任务的情形），这些局限可被克服。当此类先验不存在时，该任务对异常检测而言要困难得多。我们提出两个此类任务作为异常检测的重大挑战：i) 通过异常检测进行科学发现；ii) 检测 ImageNet 数据集中最异常图像的“迷你重大”挑战。我们相信，需要开发新的异常检测工具与思想来克服这些挑战。
引用
@article{arxiv.2307.11085,
title = {Representation Learning in Anomaly Detection: Successes, Limits and a Grand Challenge},
author = {Yedid Hoshen},
journal= {arXiv preprint arXiv:2307.11085},
year = {2023}
}
备注
Keynote talk at the Visual Anomaly and Novelty Detection Workshop, CVPR'23