深度半监督异常检测

ICLRJun, 2019

Deep Semi-Supervised Anomaly Detection

Lukas Ruff, Robert A. Vandermeulen, Nico Görnitz, Alexander Binder, Emmanuel Müller...

TL;DR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。

Abstract

Deep approaches to anomaly detection have recently shown promising results over shallow methods on large and complex datasets. Typically anomaly detection is treated as an unsupervised learning problem. In practi

anomaly detection semi-supervised learning deep learning information-theoretic framework mnist

发现论文，激发创造

半监督异常检测的零样本域适应

本研究提出了一种面向 SSAD 的领域自适应方法，其中没有针对目标领域的异常数据。该方法利用变分自编码器和领域对抗网络生成无域变化的潜在变量，结合加权损失函数来近似理想损失函数，旨在解决 SSAD 在适应领域迁移方面的问题。实验结果表明该方法可以成功适应目标领域中缺少异常数据的情况。

Apr, 2023

SAD：动态图形半监督异常检测

本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

May, 2023

面向监督的异常检测

本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

Jan, 2014

期货市场欺诈的深度半监督异常检测

使用深度半监督异常检测技术 Deep SAD，本研究旨在评估其在高频金融数据中检测欺诈行为的有效性，通过利用蒙特利尔的 TMX 交易所的专有限价订单簿数据和少量真实标记的欺诈实例，我们证明将少量标记数据融入无监督异常检测框架可以极大提高其准确性。

Aug, 2023

深度变分半监督新颖性检测

本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

Nov, 2019

GANomaly: 通过对抗训练进行半监督异常检测

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

深度异常检测中的假设重新思考

本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

May, 2020

深度正未标注异常检测污染未标注数据

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

基于风险估计的半监督分类的异常检测

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

深度和浅层异常检测的统一综述

通过综述研究，探究了在复杂数据集中深度学习方法在异常检测中的应用，分析了常见方法的共性原理、常见假设以及经验评估，并提出了对未来研究的挑战和方向。

Sep, 2020