通过批归一化实现零样本异常检测
机器学习
2023-11-09 v4 人工智能
机器学习
摘要
异常检测（AD）在许多安全关键应用领域中起着关键作用。使异常检测器适应正常数据分布漂移的挑战，尤其在“新常态”无训练数据可用时，催生了零样本 AD 技术。本文中，我们提出一种简单而有效的方法，称为自适应中心化表示（ACR），用于零样本批级 AD。我们的方法训练现成的深度异常检测器（如 deep SVDD）结合批归一化以适应一组相互关联的训练数据分布，从而实现对未见 AD 任务的自动零样本泛化。这一简单策略，即批归一化加元训练，是一个高效且通用的工具。我们的理论结果保证了未见 AD 任务的零样本泛化；我们的实证结果展示了表格数据的首个零样本 AD 结果，并在专业领域图像数据的零样本异常检测与分割上优于现有方法。代码见 https://github.com/aodongli/zero-shot-ad-via-batch-norm
引用
@article{arxiv.2302.07849,
title = {Zero-Shot Anomaly Detection via Batch Normalization},
author = {Aodong Li and Chen Qiu and Marius Kloft and Padhraic Smyth and Maja Rudolph and Stephan Mandt},
journal= {arXiv preprint arXiv:2302.07849},
year = {2023}
}
备注
accepted at NeurIPS 2023