基于 $\beta$-VAE 的 NSL-KDD 无监督异常检测：潜在空间与重构误差方法
机器学习
2026-02-24 v1 神经与进化计算
机器学习
摘要
随着运营技术（OT）日益与信息技术（IT）集成，入侵检测系统的重要性日益凸显。本文探讨了一种基于 -变分自编码器在 NSL-KDD 数据集上进行网络流量无监督异常检测的方法。我们研究了两种方法：一种是通过衡量测试样本到训练数据投影距离来利用潜在空间结构，另一种是将重构误差作为传统的异常检测指标。通过比较这两种方法，本文提供了在无监督环境下阐述其各自优势与局限的见解。实验结果表明，利用潜在空间对分类任务具有有效性。
关键词
引用
@article{arxiv.2602.19785,
title = {Unsupervised Anomaly Detection in NSL-KDD Using $\beta$-VAE: A Latent Space and Reconstruction Error Approach},
author = {Dylan Baptiste and Ramla Saddem and Alexandre Philippot and François Foyer},
journal= {arXiv preprint arXiv:2602.19785},
year = {2026}
}