使用偏差网络进行深度异常检测
本篇论文提出了一种少样本异常检测框架,通过弱监督学习方式训练检测模型,维护了良好的正常性表示和异常性表示,同时兼顾了 sample-efficient 考虑,实现了对少量标注样本的训练,并在 9 个实际图像异常检测基准测试中表现显著好于同类方法。
Aug, 2021
本文介绍了 FATE,一种基于深度少样本学习的框架,它利用有限的异常例子,在端到端的方法中显式地学习异常分数,同时使用偏差学习来调整正常例子的异常分数,以接近参考分数,并迫使异常样本在先验分布的上尾具有明显偏离的异常分数。此外,我们的模型通过利用多头自注意力层和多示例学习方法来学习异常的独特行为。在几个基准数据集上进行的综合实验证明了我们提出的方法达到了最新技术水平。
Aug, 2023
本文综述了现代深度学习技术在图异常检测中的应用,编译了开放资源的实现、公共数据集和常用评估方法,重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。
Jun, 2021
本文提出了一种新的公平异常检测方法 Deep Fair SVDD,采用对抗网络训练来解决深度学习可能存在的社会偏见问题,并提出了两种有效公平性指标。在实验中,我们发现现有的深度异常检测方法存在不公平性,而我们的方法能够在最小损失性能的情况下消除不公平性,并进行了深入分析以证明方法的优点和局限性。
Dec, 2020
本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架,该框架结合了无监督、半监督和监督学习算法,同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。
Dec, 2022
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
本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析,提供关于流行的深度学习技术的全面的系统性回顾,比较和对比它们的架构差异和训练算法,并提供了用于解释模型决策的深度模型解释策略的综合概述。此外,指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。
Dec, 2020