一个好于二的：用于异常检测的对齐表示对

异常检测聚焦于识别与常规样本偏离的样本。发现有价值表示的正常样本对于有效检测异常至关重要。最近的自监督方法通过利用关于异常的先验知识在训练期间创建合成离群点来成功学习了此类表示。然而，我们往往不知道在专业现实应用中对未见数据的期望是什么。本文通过提出新的方法 Con$_2$ 来解决这一限制，后者利用关于正常样本中对称性的先验知识，以不同语境观察数据。Con$_2$ 包含两个部分：Context Contrasting 根据其语境对表示进行聚类，Content Alignment 通过在聚类之间对齐正常样本的位置来鼓励模型捕获语义信息。 resulting representation space allows us to detect anomalies as outliers of the learned context clusters. 我们在大量实验中展示了这一方法的优势，针对专业医学数据集 outperforming competitive baselines based on self-supervised learning and pretrained models and presenting competitive performance on natural imaging benchmarks.