用于异常检测的目标坍缩正则化自编码器：中心黑洞

自编码器已广泛用于近期异常检测技术的开发。其应用前提基于这样一种观念：在 normal 训练数据上训练自编码器后，异常输入将表现出显著的重构误差。因此，这能够清晰区分正常样本与异常样本。然而在实践中观察到，自编码器可能泛化到 normal 类之外，并在部分异常样本上获得较小的重构误差。为提升性能，各种技术提出了额外的组件与更复杂的训练流程。在本工作中，我们提出了一种极为简洁的替代方案：不添加神经网络组件、复杂计算与繁琐训练，而是用一项计算轻量的项来补充重构损失，该项调节潜空间中表示的范数。我们方法的简洁性最小化了对超参数调优以及针对新应用定制的需求，加之其宽松的数据模态约束，增强了在广泛应用范围内成功采用的潜力。我们在多种视觉与表格基准上测试该方法，并证明该技术可与更复杂的替代方案相匹敌且经常优于它们。我们进一步证明，在 SOTA 方法背景下实现该思想可进一步提升其性能。我们还提供了理论分析与数值模拟，有助于展示训练期间展开的内在过程及其如何助力异常检测。这缓解了基于自编码器的异常检测算法的黑箱性质，并为进一步探究优势、失败案例与潜在新方向提供了途径。