深度单类分类的表示学习和评估

ICLRNov, 2020

Learning and Evaluating Representations for Deep One-class Classification

Kihyuk Sohn, Chun-Liang Li, Jinsung Yoon, Minho Jin, Tomas Pfister

TL;DR本文提出了一个两阶段的深度单类分类框架，第一阶段从单类数据中学习自监督表示，第二阶段在学习表示的基础上建立单类分类器，并应用于视觉领域中的新颖性和异常检测任务中，实验表明其性能优于现有方法。

Abstract

We present a two-stage framework for deep one-class classification. We first learn self-supervised representations from one-class data, and then build one-class classifiers on learned representations. The framework not only allows to learn better representations, but also permits build

one-class classification representation learning self-supervised learning anomaly detection visual explanation

发现论文，激发创造

自监督分类网络

Self-Classifier 是一种新的自监督的端到端分类学习方法，可以同时学习标签和表示，不需要任何形式的预训练或负样例，它的交叉熵损失具有统一的先验，能够保证非退化解，并且在 ImageNet 无监督分类任务上取得了最新的性能。

Mar, 2021

深度表示学习的无监督图像分类

本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

Jun, 2020

学习深层特征进行单类分类

该研究提出了一种基于深度学习的解决方案，用于解决单类分类中的特征学习问题，通过两个损失函数和并行 CNN 架构生成描述性特征，并在模板匹配框架下进行了广泛的实验。结果表明，该方法在异常检测、新颖性检测和移动设备上的活动认证数据集上都有显著进展。

Jan, 2018

基于卷积自编码器的多模态一类分类

本文提出了一种适用于多模态数据的深度学习一类分类方法，通过联合训练两个卷积自编码器，使其在重构正样本输入数据的同时，在潜在空间中获得尽可能紧凑的数据表示。在推理过程中，可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明，与单模态方法相比，所提出的多模态方法在多模态昆虫图像分类数据集上获得了更好的结果。此外，本文还研究了不同输入图像尺寸的影响，并探讨了最近提出的特征多样性正则化对我们方法性能的影响。结果表明，这样的正则化手段能够提高性能。

Sep, 2023

我们是否需要从领域内数据中学习表示以进行异常检测？

本文探讨了使用单个预训练网络作为通用特征提取器，在异常检测任务中取代训练不同表示器的可能性，并在实验中证明了使用领域内数据学习表示可能不是异常检测的必要步骤。

May, 2021

稳定且因果推理用于区分自监督深度视觉表示

从因果关系的角度分析了有问题的自我监督方法，并提出了解决方案，通过在推理过程中应用线性变换来提高时间效率。

Aug, 2023

双重对比学习：基于标签感知数据增强的文本分类

本研究利用 DualCL 框架将分类器参数作为增广样本，与输入样本结合运用对比学习方法，在五个基准文本分类数据集上表现出较高的分类准确性，并证实了 DualCL 框架在学习具有判别性的表示方面的能力。

Jan, 2022

一种用于对比学习中的不确定性的简单框架

该论文介绍了一种基于 “对比分布” 的简单方法，该方法通过训练一个从表示到分布的深度网络，并使用方差来衡量置信度，从而赋予预训练的对比表示学习不确定性的能力。在实验中，作者展示了该深度不确定性模型可用于视觉解释模型行为、检测已部署模型中的新噪声和异常，其中在 11 个任务中，对比 10 种基线方法改进了 14％以上，同样可以用于分类超出分布的示例，其性能可与有监督方法竞争。

Oct, 2020

自监督学习：生成或对比

本文介绍自监督学习作为深度学习替代方案的优势及其在计算机视觉、自然语言处理和图学习中的应用，分类总结了现有的自监督学习方法，并进一步探讨其相关的理论分析工作，最后简要讨论了自监督学习的未来方向和开放性问题.

Jun, 2020

DROCC：深度鲁棒单类别分类

本研究提出了 Deep Robust One-Class Classification（DROCC），用于在各种标准域中应用于无需任何辅助信息的一类问题，并针对表示崩溃具有鲁棒性。实证评估证明，DROCC 在两个不同的一类问题设置和一系列不同领域的实际数据集上非常有效：表格数据，图像（CIFAR 和 ImageNet），音频和时间序列，在异常检测方面可提高高达 20％的准确性。

Feb, 2020