基于对抗学习连续噪声扰动的鲁棒半监督异常检测
机器学习
2023-03-08 v1 人工智能
摘要
异常检测是识别显著偏离已建立正常模式的新样本的任务。异常类在训练时不存在，意味着模型必须仅基于正常类数据样本学习有效表示。深度自编码器（AE）已被广泛用于异常检测任务，但存在过拟合为零恒等函数的问题。为解决该问题，我们实现对去噪自编码器（DAE）的一种训练方案，其引入一种高效方法生成对抗学习连续噪声（ALCN），以在去噪前对输入进行最大化的全局破坏。先前方法已采用类似的对抗训练方法来提升 DAE 的鲁棒性，但它们存在推理速度慢降低实际适用性，或产生更易去噪的泛化混淆等局限。我们通过严格评估表明，相较于先前方法，我们在训练中的 ALCN 正则化方法在推理时提升了 AUC 性能，同时保持高效：在经典留一异常检测任务（变体：9（正常）vs. 1（异常）与 1（正常）vs. 9（异常）中，MNIST 的 AUCavg 为 0.890 与 0.989，CIFAR-10 的 AUCavg 为 0.670 与 0.742；在具有挑战性的真实世界异常检测任务中，工业检测（MVTEC-AD 的 AUCavg：0.780）与植物病害检测（Plant Village 的 AUC：0.770）亦如此。
引用
@article{arxiv.2303.03925,
title = {Robust Semi-Supervised Anomaly Detection via Adversarially Learned Continuous Noise Corruption},
author = {Jack W Barker and Neelanjan Bhowmik and Yona Falinie A Gaus and Toby P Breckon},
journal= {arXiv preprint arXiv:2303.03925},
year = {2023}
}
备注
18th International Conference on Computer Vision Theory and Applications