自监督学习的自适应记忆网络用于无监督异常检测

Jan, 2022

自监督学习的自适应记忆网络用于无监督异常检测

Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection

Yuxin Zhang, Jindong Wang, Yiqiang Chen, Han Yu, Tao Qin

TL;DR本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

Abstract

unsupervised anomaly detection aims to build models to effectively detect unseen anomalies by only training on the normal data. Although previous reconstruction-based methods have made fruitful progress, their generalization ability is limited due to two critical challenges. First, the

unsupervised anomaly detection adaptive memory network self-supervised learning convolutional autoencoder multivariate time series

发现论文，激发创造

解耦异常鉴别和表示学习：自监督学习用于属性图的异常检测

本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。

Apr, 2023

针对图形异常检测的生成式和对比式自监督学习

本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

Aug, 2021

无监督异常检测和定位的自监督遮掩

这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

May, 2022

学习记忆引导的正常性用于异常检测

本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

Mar, 2020

Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

Jul, 2021

记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆

提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。

Apr, 2019

增强异常检测性能的神经网络训练策略：基于重构损失放大的视角

通过放大重构损失，我们提出了一种名为 LAMP 的损失地形变形方法，从而将损失地形变为陡峭的形状，使得对未见异常的重构误差增加，并且提高异常检测性能，而无需改变神经网络架构。

Aug, 2023

应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

Apr, 2020

基于对比自监督学习的属性网络异常检测

本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

Feb, 2021

自监督解决无监督异常检测的困境和机遇

自我监督学习在无监督异常检测中起到重要作用，对 SSL 策略的选择、超参数的调整、预处理任务和增强函数的设计以及基于密度估计的预训练模型的利用提出了新的发展和挑战。

Aug, 2023