Dec, 2019

基于贝叶斯变分自编码器的无监督异常检测

PDF
TL;DR为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。
deep neural networksai safetyout-of-distributionbayesian variational autoencoderinformation-theoretic measures
发现论文，激发创造
  • 一种基于变分自编码器的高效无监督异常检测方法

    本文研究了用于无监督的离群检测的深度生成模型（DGMs），特别关注使用标准正态先验分布的基本变分自动编码器（VAE）。我们提出了一种针对基本 VAE 设计的新颖离群得分方法，称为误差降低（ER），其结合了从丢失版本中重建图像输入的概念，并考虑了图像的科尔莫哥罗夫复杂性。对不同数据集的实验结果表明，我们的方法优于基准方法。我们的代码可在此 URL 获得：https:// 这个 URL

    Sep, 2023

  • 层级 VAE 知道它们不知道的

    深度生成模型的密度估计已被证明是最先进的，但最近的研究发现，它们通常会分配更高的似然性给训练分布之外的数据，此行为是由于偏差所致，本文通过分层变分自编码器提供了证据来解释这种行为，我们认为这是预期和期望的行为，掌握这一洞见后，我们设计了一种快速、可扩展且完全无监督的似然比分数用于 ODD 检测，并在大量数据和模型组合上进行了基准测试，获得了最佳实验结果。

    Feb, 2021

  • 基于 PAC 的形式化验证用于检测分布外数据

    本文利用变分自编码器实现了对开放分布数据（OOD）的检测，在对结果进行了准确度量和规范约束后，使用 CARLA 数据集对此方法进行了验证。

    Apr, 2023

  • 贝叶斯自编码器：分析和修复伯努利似然函数实现的非分布检测问题

    该论文提出利用贝叶斯版本的自编码器和替代分布来解决使用伯努利似然函数检测 FashionMNIST 和 MNIST 数据集时可能会失败的问题。

    Jul, 2021

  • 贝叶斯神经网络在区别领域之外的检测上固有优势吗？

    本研究探讨了利用简单神经网络结构进行贝叶斯推断用于 out-of-distribution 检测的做法的有限性，发现在使用有限宽度网络时，贝叶斯神经网络不能有效地检测 out-of-distribution 数据。

    Jul, 2021

  • 可能性失误：变分自编码器的异常检测分数

    本研究提出了一种基于 Variational Auto-encoders 的有效的异常检测方法 Likelihood Regret，并在现有的检测方法基础上进行了实验，结果表明我们的方法在 VAEs 上具有最佳的异常检测性能。

    Mar, 2020

  • 近似后验推断对贝叶斯深度学习在对抗和越界设置中的影响

    本研究旨在探索深度学习模型的不确定性量化方法，并考虑基于贝叶斯推理的模型在 OoD 检测中的表现，结果显示在某些情况下，这种模型略高于传统的深度神经网络，对于对新输入的敏感性的原因进行研究，并对对抗噪声鲁棒性的影响进行了研究。

    Sep, 2020

  • 使用软布朗偏移取样和自编码器进行超范围检测和生成

    本文提出了一种新的方法，通过自动编码器和软布朗运动偏移方法，基于给定的分布数据集生成足够接近真实数据的数据集，并用于改善深度神经网络的过度自信和提高其性能。该方法可以用于时间序列和 MNIST 数据集等数据的实验，并成功改善了这些数据的缺陷以及自动驾驶轨迹预测算法的效果验证。

    May, 2021

  • 条件变分自编码器进行异常检测

    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

  • 贝叶斯不确定性估计在离域物体检测中的应用

    基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在 BDD100k 和 VOC 数据集上的训练，并在 COCO2017 数据集上的评估中通过降低 FPR95 分数最多 8.19％和增加 AUROC 分数最多 13.94％来实现了令人满意的超出分布的辨别性能。

    Oct, 2023