重思自动编码器：面向医学异常检测的理论视角

医学异常检测旨在使用仅正常训练数据识别异常发现，在健康筛查和识别罕见疾病方面发挥关键作用。基于重建的方法，特别是利用自动编码器 (AEs)，在该领域占据主导地位。它们在仅使用正常数据训练的 AEs 无法良好重建不可见的异常区域，从而实现基于重建误差的异常检测。然而，这一假设并不总是成立，因为重建训练目标与异常检测任务目标之间存在不匹配，使得这些方法在理论上不成立。这项研究致力于为 AEs 基于重建的方法在异常检测中提供理论基础。通过利用信息论，我们阐明了这些方法的原理，揭示了提高 AEs 在异常检测中性能的关键在于最小化潜在向量的信息熵。在四个数据集上进行实验，验证了我们的理论有效性。据我们了解，这是首次从理论角度澄清 AEs 在异常检测中的原理和设计哲学。代码可在 github.com/caiyu6666/AE4AD 获取。