迈向公平的深度异常检测

Dec, 2020

Towards Fair Deep Anomaly Detection

Hongjing Zhang, Ian Davidson

TL;DR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。

Abstract

anomaly detection aims to find instances that are considered unusual and is a fundamental problem of data science. Recently, deep anomaly detection methods were shown to achieve superior results particularly in c

anomaly detection deep learning fairness adversarial network bias

发现论文，激发创造

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

使用偏差网络进行深度异常检测

本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。

Nov, 2019

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

深度异常检测中偏差影响的理解

本文研究在机器学习中异常检测的独特挑战，探究有偏的异常数据集对异常检测的影响以及如何利用偏见数据集优化异常检测算法。

May, 2021

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

超越熟悉特征的深度异常检测

使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

Oct, 2023

图像 / 视频深度异常检测：综述

本篇论文探讨了基于深度神经网络的图像 / 视频异常检测方法，讨论了当前的挑战和未来的研究方向。

Mar, 2021

基于深度聚类的公平异常检测

本文提出了一种基于深度聚类和对抗训练的公平异常检测算法，通过对数据中的统计偏差进行建模，并采用一种实例级加权表示学习策略来增强聚类和异常检测，从而提供了一个更公平的潜在异常集合。

Jun, 2021

预训练深度特征中正常数据分布的建模用于异常检测

本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测，该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型，使用马氏距离作为异常得分，可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值，并探究了该方法在图像中异常检测中的可行性和影响因素。

May, 2020

深度学习用于异常检测：调研

本文针对深度学习异常检测问题进行了系统综述，将研究方法划分为不同的类别并探讨其在应用领域的适用性和效果，同时讨论了现有研究的局限性和未来研究的方向。

Jan, 2019