面向半监督异常检测的异常样本零样本域自适应
机器学习
2023-04-06 v1 音频与语音处理
摘要
半监督异常检测（SSAD）是一项可利用正常数据与有限数量异常数据进行训练的任务。在实际场景中，SSAD方法难以适应域偏移，因为异常数据在训练阶段不太可能用于目标域。为解决此问题，我们提出一种无目标域异常数据的SSAD域自适应方法。首先，我们将域对抗网络引入基于变分自编码器的SSAD模型以获得域不变隐变量。由于解码器无法仅从域不变隐变量重建原始数据，我们以域标签为条件约束解码器。为弥补目标域异常数据的缺失，我们引入基于重要性采样的加权损失函数以近似理想损失函数。实验结果表明，当目标域无异常数据可用时，所提方法有助于将SSAD模型自适应至目标域。
引用
@article{arxiv.2304.02221,
title = {Zero-shot domain adaptation of anomalous samples for semi-supervised anomaly detection},
author = {Tomoya Nishida and Takashi Endo and Yohei Kawaguchi},
journal= {arXiv preprint arXiv:2304.02221},
year = {2023}
}