用于单类分类与异常检测的限制性生成投影
机器学习
2023-07-11 v1
摘要
我们提出了一种用于单类分类与异常检测的简单框架。其核心思想是学习一个映射，将训练（正常）数据的未知分布变换为已知的目标分布。关键在于，目标分布应当足够简单、紧凑且具信息性。简单性是为了确保我们能够容易地从该分布中采样，紧凑性是为了确保正常数据与异常数据之间的决策边界清晰可靠，信息性是为了确保变换后的数据保留原始数据的重要信息。因此，我们提出使用截断高斯、超球内均匀、超球面上均匀或超球面间均匀作为目标分布。随后，我们在保持原始数据重构误差足够小的同时，最小化变换后数据分布与目标分布之间的距离。在多个基准数据集上的对比研究验证了我们的方法相对于基线方法的有效性。
引用
@article{arxiv.2307.04097,
title = {Restricted Generative Projection for One-Class Classification and Anomaly Detection},
author = {Feng Xiao and Ruoyu Sun and Jicong Fan},
journal= {arXiv preprint arXiv:2307.04097},
year = {2023}
}