用于异常检测的多级结构无监督学习
计算机视觉与模式识别
2021-04-27 v1
摘要
高维异常检测任务的主要困难在于缺乏用于训练的异常数据。而简单地从真实世界、常见分布或正常数据流形边界收集异常数据，可能面临异常模式缺失的问题。本文首先引入一种新方法，通过在多个层级上破坏全局结构同时保留正常数据的局部结构来生成异常数据。它能有效暴露各层级局部的异常结构。为充分利用所暴露的多级异常结构，我们提出以对比损失训练多个层级特定的基于块的检测器。每个检测器学习在所有位置检测对应层级的局部异常结构，并输出逐块异常分数。通过聚合所有层级特定检测器的输出，我们获得一个可检测所有潜在异常的模型。在 MNIST、CIFAR10 与 ImageNet10 数据集上评估了有效性，结果超越了最先进方法的准确率。定性实验表明我们的模型具有鲁棒性，能无偏地检测所有异常模式。
引用
@article{arxiv.2104.12102,
title = {Unsupervised Learning of Multi-level Structures for Anomaly Detection},
author = {Songmin Dai and Jide Li and Lu Wang and Congcong Zhu and Yifan Wu and Xiaoqiang Li},
journal= {arXiv preprint arXiv:2104.12102},
year = {2021}
}