朝向深度监督异常检测：从部分标记异常数据中强化学习

KDDSep, 2020

朝向深度监督异常检测：从部分标记异常数据中强化学习

Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data

Guansong Pang, Anton van den Hengel, Chunhua Shen, Longbing Cao

TL;DR该论文提出了一个基于深度强化学习的方法来解决在只有有限的异常样本和大量无标注数据集的情况下进行异常检测的问题，该方法在自动交互式模拟环境中学习已知异常，并通过探索从而将学习到的异常扩展到未知异常，最终取得了比五种已有方法更好的实验效果。

Abstract

We consider the problem of anomaly detection with a small set of partially labeled anomaly examples and a large-scale unlabeled dataset. This is a common scenario in many important applications. Existing related methods either exclusively fit the limited anomaly examples that typically

anomaly detection partially labeled data deep reinforcement learning exploration-exploitation tradeoff unsupervised learning

发现论文，激发创造

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

无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率

通过自适应主动学习采样策略，利用数据先验分布和模型不确定性，我们的方法在检测异常时的主动学习中胜过现有方法，并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。

Jul, 2023

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

标签预算约束下的深度异常检测

本文提出了一种基于理论条件的数据标记策略，并提出了一种新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。

Feb, 2023

使用连续标记的增强方法检测异常

这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法，将异常检测问题视为监督回归问题，并使用两个可分离连续值分布来标记正常和异常的数据，通过图像增强技术创造出一个独特的异常样本集，并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。

Jul, 2022

深度半监督异常检测

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。

Jun, 2019

基于因果推论的自适应强化学习异常检测方法

本研究提出了一个创新的反事实因果强化学习模型，称为 Tri-CRLAD，利用因果推断机制，显著提高半监督模型的性能，增强模型在面对未知或稀有数据时发现异常数据的能力，并通过三重决策支持机制进一步提升模型的灵活性和泛化能力，在包括卫星系统、医疗系统和健康系统在内的 7 个不同智能系统数据集中，Tri-CRLAD 的性能优于或等于 9 个基准方法，而且极少量的已知异常样本能够显著提高异常检测的稳定性。

May, 2024

结合监督学习与强化学习用于多标签分类任务中的部分标签

我们提出了基于强化学习的 RLAC 框架，通过结合强化学习的探索能力和监督学习的开发能力，解决了多标签正负样本学习问题，并在多个任务中进行实验证明了我们框架的泛化和有效性。

Jun, 2024

深度主动学习用于异常检测

介绍了一种基于深度学习的主动学习方法，可以有效地从正常数据中分离离群值，并讨论了它们在发现聚类和低密度异常方面的性能

May, 2018

通过 DQN 进行半监督学习的日志异常检测

本文提出了一种名为 DQNLog 的半监督日志异常检测方法，它结合了来自深度强化学习的 DQN 算法，通过有效地利用少量标记数据和大规模未标记数据集，解决了数据不平衡和标记不足的挑战，不仅可以学习已知异常，还可以主动探索未标记数据集以发现未知异常，并在深度强化学习中引入了交叉熵损失项以防止模型过高估计，通过对三个广泛使用的数据集的评估，证明 DQNLog 在提高召回率和 F1 分数的同时保持精确度，验证了其实用性。

Jan, 2024