基于超球面坐标的 VAE：从超体积压缩的潜在空间改进异常检测
机器学习
2026-05-12 v3
摘要
变分自编码器（VAE）将数据编码为低维潜在向量，再将这些向量解码回数据。训练完成后，人们期望能够检测分布外（异常）的潜在向量，但当潜在空间维度较高时会出现若干问题。这包括超体积随维度呈指数增长，严重影响了 VAE 的生成能力。在本文中，我们从高维统计中汲取见解：在这些情形下，标准 VAE 的潜在向量分布在超球面的“赤道”上，给异常检测带来挑战。我们提出使用超球面坐标来构建 VAE 的潜在变量，这使得能够将潜在向量向超球面上的给定方向压缩，从而获得更具表达能力的近似后验。我们证明这提升了 VAE 的完全无条件 OOD 和条件 OOD 异常检测能力，在我们考虑的数据集上取得了最佳性能，优于现有方法。对于无条件 OOD 和条件 OOD 模式，这些数据集分别是：i) 从火星漫游车相机检测异常地形以及从地基图像检测异常星系（复杂的真实世界数据集）；ii) 以 Cifar10 和 ImageNet 子集等标准基准作为分布内（ID）类别。
引用
@article{arxiv.2601.18823,
title = {VAE with Hyperspherical Coordinates: Improving Anomaly Detection from Hypervolume-Compressed Latent Space},
author = {Alejandro Ascarate and Leo Lebrat and Rodrigo Santa Cruz and Clinton Fookes and Olivier Salvado},
journal= {arXiv preprint arXiv:2601.18823},
year = {2026}
}