当无监督域适应遇见单类异常检测：利用异常稀缺性应对双重无监督诅咒

本文介绍了首个用于无监督异常检测 (UAD) 的完全无监督域适应 (UDA) 框架。在存在域偏移时，UAD 技术的性能会显著下降，而这种偏移在现实场景中难以避免。尽管 UDA 已在二分类和多分类问题中为解决该问题做出了贡献，但这种策略在 UAD 中是不适定的。这可以归因于这两个任务（即域适应和异常检测）的无监督性质。在本文中，我们首先将这一问题形式化，称之为双重无监督诅咒。然后，通过假设异常是罕见的，我们提出了一种解决这一迄今为止被认为棘手的诅咒的开创性方案。具体而言，我们利用聚类技术在目标特征空间中识别出一个主导簇。后者被设定为正常簇，并与源正常特征进行对齐。具体来说，给定一个单类源集和一个主要由正常数据及少量异常组成的无标记目标集，我们将源特征拟合到一个超球面内，同时将其与目标集中的主导簇特征进行联合对齐。本文在异常检测的常见适应基准上进行了广泛的实验和分析，证明了新引入的范式和所提出方法的有效性。代码将公开发布。