生成模型和判别模型在异常检测中的连接
本文提出了一种基于关联感知的无监督深度高斯混合模型 (CADGMM) 的异常检测方法,该方法通过图形表示建立了样本间的关联,采用双编码器将特征和关联信息编码到低维潜在空间中,并利用高斯混合模型估计这些样本的密度,从而检测异常。
Feb, 2020
本文提出了基于敌对去噪扩散模型(ADDM)的研究。ADDM 基于去噪扩散概率模型(DDPM),并通过敌对学习进行互补训练。实验结果表明,ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。
Dec, 2023
研究使用仅针对正常图形进行训练的机器学习模型检测异常图形的问题,该问题在分子、生物学和社交网络数据分析等领域具有许多应用。通过使用联合训练生成的伪异常图形以及给定的正常图形来学习鉴别器(分类器),本论文提出了一种自我区分建模框架用于检测异常图形,该框架提供了三种算法,能够在几个流行的图形数据集上显著提高 AUC 的性能。此外,研究还针对大规模不平衡的图形数据集进行了调查,并发现即使是完全无监督的算法也能显著优于有监督学习算法进行异常图形检测,同时分析了对应的原因。
Oct, 2023
本论文提出了最大间隔深度生成模型(mmDGMs),它利用最大间隔学习原理来提高深度生成模型的辨别力,同时保留了生成能力。实验结果表明,最大间隔学习可以显著提高深度生成模型的预测性能,同时保留生成能力。同时,通过使用深度卷积神经网络作为识别和生成模型,mmDGM 在 MNIST 和 SVHN 数据集上的表现与最先进的完全辨别网络相当竞争力。
Apr, 2015
通过引入合成异常样本和空间自适应特征融合方案,本文提出了一种全局和局部自适应扩散模型(GLAD)用于无监督异常检测,增加了灵活性并实现了无异常的重构,同时保留了尽可能多的正常信息。
Jun, 2024
本文研究了 GANs 在图像统计建模方面与 Gaussian 混合模型的效果,结果表明,GMM 能够生成逼真的图像,同时也能够捕捉到 Gans 无法捕捉到的分布特征,为图像生成提供了一种有效而全面的统计学方法。
May, 2018
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