基于深度自回归密度估计器的监督异常检测
机器学习
2019-04-15 v1 机器学习
摘要
我们提出了一种基于神经密度估计器的监督异常检测方法，其中使用负对数似然作为异常分数。密度估计器已被广泛用于无监督异常检测。随着深度学习的最新进展，密度估计的性能得到了极大提升。然而，神经密度估计器无法利用异常标签信息，而这些信息对于提升异常检测性能具有重要价值。所提出的方法通过训练神经密度估计器来有效利用异常标签信息，使得正常实例的似然最大化，且异常实例的似然低于正常实例的似然。我们采用自回归模型作为神经密度估计器，这使我们能够精确计算似然。通过在 16 个数据集上的实验，我们证明了所提出的方法在仅有少量标注异常实例的情况下提升了异常检测性能，并取得了优于现有无监督和监督异常检测方法的性能。
引用
@article{arxiv.1904.06034,
title = {Supervised Anomaly Detection based on Deep Autoregressive Density Estimators},
author = {Tomoharu Iwata and Yuki Yamanaka},
journal= {arXiv preprint arXiv:1904.06034},
year = {2019}
}