基于径向自编码器的异常检测增强

Mar, 2022

基于径向自编码器的异常检测增强

Radial Autoencoders for Enhanced Anomaly Detection

Mihai-Cezar Augustin, Vivien Bonvin, Regis Houssou, Efstratios Rappos, Stephan Robert-Nicoud

TL;DR研究了基于几何形状的异常检测，提出了一种基于自编码器的方法，即 centric autoencoder（cAE），结合了数据压缩和自编码器训练的 radial deformation，与传统监督方法相比，cAE 在异常检测中展现出更好的性能。

Abstract

In classification problems, supervised machine-learning methods outperform traditional algorithms, thanks to the ability of neural networks to learn complex patterns. However, in two-class classification tasks like anomaly or fraud detection, unsupervised methods could do even better,

anomaly detection supervised machine-learning autoencoders radial classification centric autoencoder

发现论文，激发创造

使用对抗自编码器实现图像中的稳健异常检测

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

面向医学影像的通用无监督异常检测

通过引入一种新颖的无监督方法 RA，可自动生成逼真的健康影像重构，从而识别更广泛的病理性异常，超过现有先进方法在多种影像模态中的表现，提高医学影像的诊断准确性。

Jan, 2024

用于非监督异常检测的上下文编码变分自编码器

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018

基于重构误差的少量异常样本检测

探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

May, 2023

基于理论的重新思考自编码器在医学异常检测中的应用

利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

Mar, 2024

深度相关性感知的核化自编码器在网络安全中的异常检测

本文提出了一种利用鲁棒的马哈拉诺比斯距离度量潜在维度相关性的基于核心自动编码器的异常检测方法来有效检测近距离和远距离异常值的方法。

Jan, 2023

有针对性的抑制正则化自编码器在异常检测中的应用：中心处的黑洞

本文提出了一种简单的方法，通过在潜在空间中规范表示的规范化项来补充重构损失以改进自编码器的异常检测性能，并在不同的视觉和表格基准测试上进行验证和分析。

Jun, 2023

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

一种分层特征重构的自编码器用于无监督异常检测

无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务，本文提出了一个简单而有效的架构，在异常检测中取得了更准确和鲁棒的定位结果。

May, 2024

用自编码器二分类器实现有监督的异常检测

本文提出了 Autoencoding Binary Classifiers（ABC），一种基于自编码器的新型监督异常检测器。ABC 是一种概率二元分类器，可以有效利用标签信息，并且以编码顺序优化模型对正常数据点的再现误差最小化，对已知异常最大化再现误差以实现对已知和未知异常的准确鉴别。实验结果表明，ABC 具有比现有监督和无监督方法更高的检测性能。

Mar, 2019