Dec, 2018

利用马氏距离改善重建自编码器的 OD 检测

PDF
TL;DR本文针对在安全关键应用中如自主车辆系统的分类验证需求，提出了在潜变量空间中使用马氏距离来捕获偏离已知正常样本和模型参数定义的潜变量流形之间的异常值，以提高异常检测性能。
发现论文，激发创造
  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • 深度相关性感知的核化自编码器在网络安全中的异常检测

    本文提出了一种利用鲁棒的马哈拉诺比斯距离度量潜在维度相关性的基于核心自动编码器的异常检测方法来有效检测近距离和远距离异常值的方法。

    Jan, 2023

  • 马哈拉诺比斯感知训练用于外部分布检测

    在本研究中，我们提出了一种新的损失函数和网络训练方法，以提高密度感知的开放世界环境中对异常和越界样本的检测能力，并在 CIFAR-10 数据集上进行了验证，将相对马氏距离方法在远距离越界任务中的错误正例率降低了 50% 以上。

    Nov, 2023

  • 基于自监督高斯正则化的深度分类器用于马氏距离不确定性估计

    介绍了一种轻量、快速、高性能的正则化方法用于 Mahalanobis 距离的不确定性预测，并需要对网络的架构进行最小的更改来推导有利于 Mahalanobis 距离计算的高斯潜在表示。通过在标准 OOD 基准测试上进行评估，证明了该方法在最小推理时间内实现了最先进的 OOD 检测结果，并且在预测概率校准方面非常有竞争力。

    May, 2023

  • 超越已知：对抗自编码器的新颖性检测

    通过线性化保持内点分布结构的流形，我们计算新颖性概率，并在网络的训练协议上进行改进，证明我们的方法在学习目标类别方面是有效的，并在几个基准数据集上优于最新的先进方法。

    Apr, 2024

  • 使用马氏距离的神经网络在医学影像中用于外部数据检测

    通过使用合成物件来模拟 OOD 模式，本文展示了应用马氏距离的最佳层取决于 OOD 模式的类型，没有一种一刀切的解决方案。本文还表明将 OOD 检测器分为网络的不同深度可以增强对不同 OOD 模式的鲁棒性。这些结果对于使用马氏距离进行 OOD 检测的最佳实践具有启发作用。

    Sep, 2023

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 汇集重构误差用于外部分布检测

    本文提出了一种新的方法，即基于重构误差聚合探测器 (READ)，旨在通过同时使用分类器的不一致性和自动编码器的重构误差检测特定的 ID 和 OOD 样本，并且在预培训和重新培训两种情况下提出了两种变体。与先前的 OOD 检测算法相比，我们的方法不需要接触测试时间 OOD 数据来微调超参数，并且在对 CIFAR-10 进行广泛比较时，我们的方法将平均 FPR@95TPR 降低了高达 9.8％。

    Jun, 2022

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • ARES: 基于重建的局部自适应异常评分

    本文提出基于自适应重建误差评分的方法来改善自编码器在异常检测中的性能问题，并在实验中证明了该方法的有效性与可行性。

    Jun, 2022