深度径向基函数数据描述符(D-RBFDD)网络：一种用于异常检测的单类神经网络
机器学习
2021-02-01 v1
摘要
异常检测是机器学习中的一个具有挑战性的问题，当处理以低级原始数据表示捕获且没有良好工程特征集的实例时更具挑战性。径向基函数数据描述符(RBFDD)网络是一种有效的异常检测解决方案，然而它是一个浅层模型，不能有效处理原始数据表示。本文研究了修改 RBFDD 网络以将其转化为适用于具有低级原始数据表示的异常检测问题的深度单类分类器的方法。我们表明基于迁移学习的方法并不有效，我们的结果表明这是因为通用分类模型学习的潜在表示不适合异常检测。相反，我们展示了在 RBF 层之前添加多个卷积层以形成深度径向基函数数据描述符(D-RBFDD)网络的方法非常有效。这在一组使用公开可用图像分类数据集创建的多个异常检测场景以及用于检测心电图(ECG)数据中不同类型心律失常的真实世界异常检测数据集的评估实验中得到展示。我们的实验表明，在图像数据集上 D-RBFDD 网络优于包括深度支持向量数据描述符(Deep SVDD)、单类 SVM 和 Isolation Forest 在内的最先进异常检测方法，并在 ECG 数据集上产生具有竞争力的结果。
引用
@article{arxiv.2101.12632,
title = {The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection},
author = {Mehran H. Z. Bazargani and Arjun Pakrashi and Brian Mac Namee},
journal= {arXiv preprint arXiv:2101.12632},
year = {2021}
}