使用变分自编码器进行 q 空间新颖性检测
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法,通过最大似然优化与正常样本重建相结合的方式,成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能,而且不做任何新奇性的假设,可适用于各种不同的场景。
Jul, 2018
本文提出了一种新的鲁棒性较高的异常检测方法,使用改进过的 Variational Autoencoder (VAE) 模型,在处理高度噪声的训练数据时具有较好的鲁棒性,并在标准基准测试中取得了最新的成果。
Jun, 2020
通过使用 VQ-VAEs 结合密度和基于恢复的方法,我们提出一种识别实现无监督异常检测的新方法,该方法通过对图像进行编码将概率分布建模,并将不常见的编码替换为从先验分布中采样的编码集合,通过对生成的恢复图像和原始图像之间的平均 L1 距离度量像素级的异常得分,我们对 MOOD 挑战数据集进行了测试,相比具有 VAEs 的标准重建方法,我们的方法具有更高的准确性。
Dec, 2020
本文探讨了如何使用变分贝叶斯和变分自编码器(VAEs)进行异常检测(AD)任务,提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机(LHC)实验的触发系统等应用中表现出卓越的性能。
Oct, 2020
该论文基于深度学习编码 - 解码器网络架构,提出了一种概率方法来检测新数据点,并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明,在多个基准数据集上,该方法能够达到最先进水平。
Jul, 2018
本文提出一种通过正交化低秩嵌入来度量多模态正态性中新奇性得分的新方法,通过该方法与使用 GAN 的 RaPP 和 OCGAN 等现有新颖性检测算法的比较,实验结果表明该方法优于那些算法。
Jan, 2021
本文通过使用低级别喷注构成信息,针对大型强子对撞机的异常喷注标记对变分自编码器(VAEs)进行了详细研究。在无监督的情况下对背景下的 QCD 喷注进行训练,VAE 能够对重建喷注进行重要信息的编码,并学习潜在空间中表现力强的后验分布。我们呈现了不同方法来检测异常情况,并对距离相关性正则化的基于质量去相关的 VAEs 进行了研究。 最终我们提出了异常暴露 VAE(OE-VAE),以构建一个性能优越的去相关异常喷注标记器,实现了异常检测灵敏度和去除异常得分中重力的两个目标。
Jul, 2020
提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案,其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法,实验证明它具有比现有方法更好的性能。
Jul, 2019
利用统计检验方法提出了 Variational Autoencoder(VAE)在异常检测中的可靠性评估方法,该方法能够量化通过 VAE 检测到的异常区域的统计可靠性,并且可以控制误检的概率。
Feb, 2024