自监督用于无监督异常检测：陷阱与机遇
机器学习
2023-08-29 v1
摘要
自监督学习（SSL）近年通过基于自生成监督信号在海量无标注数据上学习，改变了机器学习及其诸多实际应用，已成蓬勃之势。无监督异常检测（AD）亦利用 SSL，借助各类数据增强函数或外部数据暴露自生成伪异常。在本展望文中，我们首先借 AD 文献中的证据与研究，强调 SSL 策略选择对 AD 性能的重要性。鉴于 SSL 引入需精细调参的多种超参数（HPs），我们介绍近期面向基于 SSL 的 AD 的无监督模型选择与增强调参进展。随后我们指出新兴挑战与未来机遇：为不同数据模态设计新 pretext task 与增强函数，创建新颖模型选择方案以系统调优 SSL 超参数，以及通过有效密度估计挖掘预训练基础模型在 AD 上的潜力。
引用
@article{arxiv.2308.14380,
title = {Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls and Opportunities},
author = {Leman Akoglu and Jaemin Yoo},
journal= {arXiv preprint arXiv:2308.14380},
year = {2023}
}