基于对抗镜像自编码器的无监督异常检测
机器学习
2021-01-05 v3 机器学习
摘要
检测分布外(OOD)样本在所有机器学习应用中都至关重要。深度生成建模已成为在无标签情况下对复杂数据分布建模的主导范式。然而，先前工作表明，生成模型倾向于为 OOD 样本分配比其训练所用数据分布更高的似然值。首先，我们提出对抗镜像自编码器(AMA)，它是对抗自编码器的一种变体，在判别器中使用镜像 Wasserstein 损失以强制更好的语义级重建。我们还提出一种潜空间正则化，以学习分布内样本的紧凑流形。AMA 的使用产生了更好的特征表示，从而提升了异常检测性能。其次，我们提出了一种替代的异常分数度量，以取代基于重建的度量——后者是传统生成模型异常检测方法所用的。我们的方法在多个 OOD 检测基准上优于当前最先进的方法。
引用
@article{arxiv.2003.10713,
title = {Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders},
author = {Gowthami Somepalli and Yexin Wu and Yogesh Balaji and Bhanukiran Vinzamuri and Soheil Feizi},
journal= {arXiv preprint arXiv:2003.10713},
year = {2021}
}
备注
Updated the paper with more OOD detection baselines. Performed ablation analysis on various components of AMA