SLA$^2$P：基于对抗扰动的自监督异常检测
机器学习
2021-11-29 v1 人工智能
摘要
由于缺乏标签信息，异常检测是机器学习中一个基础且具挑战性的问题。在这项工作中，我们提出了一个新颖且强大的框架，称为SLAP，用于无监督异常检测。在从原始数据中提取代表性嵌入后，我们对特征应用随机投影，并将不同投影变换后的特征视为属于不同的伪类。然后，我们在这些变换后的特征上训练一个分类器网络以执行自监督学习。接下来，我们在变换后的特征上添加对抗扰动以降低其预测标签的softmax分数，并基于分类器在这些受扰特征上的预测不确定性设计异常分数。我们的动机是，由于异常数量相对较少且模式分散，1）伪标签分类器的训练更集中于学习正常数据的语义信息，而不是异常数据；2）正常数据变换后的特征比异常数据的特征对扰动更鲁棒。因此，异常的受扰变换特征无法被很好地分类，从而具有比正常样本更低的异常分数。在图像、文本和固有的表格基准数据集上的大量实验支持了我们的发现，并表明SLAP在无监督异常检测任务上始终如一地取得了SOTA结果。
引用
@article{arxiv.2111.12896,
title = {SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation},
author = {Yizhou Wang and Can Qin and Rongzhe Wei and Yi Xu and Yue Bai and Yun Fu},
journal= {arXiv preprint arXiv:2111.12896},
year = {2021}
}