TracInAD：基于影响度量的异常检测
机器学习
2024-01-31 v4
摘要
与许多其他任务一样，神经网络在异常检测方面被证明非常有效。然而，很少有深度学习模型适用于表格数据集上的异常检测。本文提出一种基于 TracIn（一种最初为可解释性目的引入的影响度量）来标记异常的新方法。所提方法可用于增强任何无监督深度异常检测方法。我们使用变分自编码器测试我们的方法，并表明训练点子样本对测试点的平均影响可作为异常性的代理指标。我们的模型在与最先进方法的比较中具有竞争力：在医学和网络安全表格基准数据上，其检测精度达到可比或更优的性能。
引用
@article{arxiv.2205.01362,
title = {TracInAD: Measuring Influence for Anomaly Detection},
author = {Hugo Thimonier and Fabrice Popineau and Arpad Rimmel and Bich-Liên Doan and Fabrice Daniel},
journal= {arXiv preprint arXiv:2205.01362},
year = {2024}
}