理解自监督学习用于表格异常检测的局限性
机器学习
2024-03-18 v3
摘要
尽管自监督学习已改进了计算机视觉和自然语言处理中的异常检测，但表格数据能否从中受益尚不清楚。本文探讨了自监督用于表格异常检测的局限性。我们在 26 个基准数据集上开展了涵盖多种 pretext task（预训练任务）的若干实验，以理解其原因。我们的结果证实，相较于使用数据的原始表示，自监督得到的表示并未提升表格异常检测性能。我们表明这是由于神经网络引入了无关特征，降低了异常检测器的有效性。然而，我们证明使用神经网络表示的子空间可恢复性能。
引用
@article{arxiv.2309.08374,
title = {Understanding the limitations of self-supervised learning for tabular anomaly detection},
author = {Kimberly T. Mai and Toby Davies and Lewis D. Griffin},
journal= {arXiv preprint arXiv:2309.08374},
year = {2024}
}