Jan, 2023

ODIM: 通过深度生成模型内点记忆效应高效检测离群值的方法

HTML
PDF
TL;DR使用深度神经网络解决训练数据集包含异常值但未给定任何标签信息时的无监督离群点检测问题，提出一种名为IM effect的新观察，并开发了一种名为ODIM的新方法，具有高效和良好性能。
发现论文，激发创造
  • 生成敌对性主动学习用于无监督异常检测

    本文提出了一个基于单目标生成对抗主动学习（SO-GAAL）方法的新型离群点检测算法，通过多个生成器（MO-GAAL）解决数据稀疏性和模式崩溃等问题，在合成和真实数据集上的实验结果表明，MO-GAAL在各种情况下表现良好。

    Sep, 2018

  • 使用具有理论性能保证的生成模型进行异常检测

    提出了一种基于生成模型神经网络的方法来恢复受稀疏离群值干扰的压缩测量信号，通过迭代交替方向乘子法和梯度下降法检测稀疏离群值，建立了恢复保证，通过实验表明此方法优于传统方法。

    Oct, 2018

  • 异常检测中的深度学习与异常情况曝光

    使用辅助数据集训练异常检测器，提出Outlier Exposure(OE)方法来改进机器学习领域中深度异常检测任务，在NLP和视觉任务中扩展实验表明OE显著提高检测性能，并分析该方法的灵活性和鲁棒性。

    Dec, 2018

  • 基于深度生成模型的异常检测进一步分析

    探究如何在深度生成模型中检测异常值，发现高密度区域和通常样本集不一致，提出新的异常值检测方法以及需要修改已有的评估方法

    Oct, 2020

  • 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

  • 利用记忆和对比学习进行无监督异常检测

    研究了利用特征空间中异常值与正常值的距离进行异常检测，提出了一种名为MCOD的框架，结合记忆模块和对比学习模块。实验证明，该方法在四个基准数据集上表现良好，优于其他九种最先进的方法。

    Jul, 2021

  • 去偏VAE似然度进行稳健的异常值检测

    通过研究使用变分自编码器（VAE）进行异常检测的方法，本文提出了新的分析和算法方法来纠正VAE似然值中的偏差，并展示了一种用于改进异常检测的先前已知图像预处理技术，最终在九个灰度图像和自然图像数据集上实现了最先进的准确度，同时跑的更快且性能更佳，轻量的修复程序就能够实现VAE的强健异常检测。

    Aug, 2021

  • 自适应梯度基础离群值去除的噪声标签学习

    提出了一种新的自适应基于梯度的异常点去除方法AGRA，通过比较批量样本的聚合梯度和单个样本梯度，动态决定是否剔除数据集中的异常点。在多个数据集上进行广泛评估，证明了AGRA的有效性，同时全面的结果分析支持了初步的假设：永久性的硬异常点去除并不总是对模型最有益的。

    Jun, 2023

  • 使用具备理论性能保证的生成模型进行离群点检测

    通过离群点检测方法，我们提出了一种用于从受稀疏离群点污染的线性测量中恢复基于生成模型的信号的方法。我们的理论结果适用于线性生成型神经网络和非线性生成型神经网络，并提出了一个基于交替方向乘子法和梯度下降的迭代算法，能够成功地在离群点存在的情况下重建信号。

    Oct, 2023

  • ALTBI：通过优化内点记忆效应构建改进的异常值检测模型

    本研究针对异常值检测中的有效性问题，提出了一种基于内点记忆效应的创新方法。通过增加小批量训练数据的尺寸和使用自适应阈值设计截断损失函数，研究证实了该方法在低计算成本的情况下，相较于其他方法在异常值识别上达到了最先进的性能。此外，该方法与隐私保护算法的结合也展现了良好的鲁棒性。

    Aug, 2024