面向监督的异常检测
使用条件生成对抗网络,将输入图像映射到较低的维度向量,从而最小化训练时这些图像和潜在向量之间的距离,学习正常样本的数据分布,并在推理时利用学习到的数据分布,在各种基准数据集上表现出比先前最先进方法更好的模型性能
May, 2018
本研究提出新型的半监督深度异常检测方法 Deep SAD,并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。
Jun, 2019
该论文提出了一个基于深度强化学习的方法来解决在只有有限的异常样本和大量无标注数据集的情况下进行异常检测的问题,该方法在自动交互式模拟环境中学习已知异常,并通过探索从而将学习到的异常扩展到未知异常,最终取得了比五种已有方法更好的实验效果。
Sep, 2020
通过自适应主动学习采样策略,利用数据先验分布和模型不确定性,我们的方法在检测异常时的主动学习中胜过现有方法,并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。
Jul, 2023
通过使用正样本 - 无标签学习和自动编码器等异常检测器,我们提出了一种正样本 - 无标签自动编码器,通过使用无标签数据和异常数据,我们可以近似正常数据的异常得分,从而能够在没有标记正常数据的情况下训练异常检测器来最小化正常数据的异常得分并最大化异常数据的异常得分。实验证明我们的方法在各种数据集上实现了更好的检测性能。
May, 2024
提出两种基于分类的半监督异常检测方法,一种基于无偏风险估计器的半监督浅层方法和一种利用非负偏向风险估计器的半监督深层方法,通过建立估计误差和风险过度界限来证明两者的有效性,并提出选择合适的正则化参数以确保浅层模型下经验风险非负性的技术。
Sep, 2023
本研究是第一部弱监督异常检测方法的全面调查,将其分为三个弱监督设置,以及四种数据模态,并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验,并发布了源代码,以及一些弱监督异常检测方法和数据的收集。
Feb, 2023
这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法,将异常检测问题视为监督回归问题,并使用两个可分离连续值分布来标记正常和异常的数据,通过图像增强技术创造出一个独特的异常样本集,并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。
Jul, 2022