本研究提出了一种基于半监督学习和主动学习的异常检测算法,能够在数据标记要求较高的情况下,大大减少数据标记量,提高检测精度,适用于网络入侵检测等领域。
Jan, 2014
该论文提出了一个基于深度强化学习的方法来解决在只有有限的异常样本和大量无标注数据集的情况下进行异常检测的问题,该方法在自动交互式模拟环境中学习已知异常,并通过探索从而将学习到的异常扩展到未知异常,最终取得了比五种已有方法更好的实验效果。
Sep, 2020
计算机视觉中,使用深度学习方法中仍存在的问题是异常检测无法被实时发现,并且在进行异常标注的时候,需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题,通过训练一个滑动型视觉变压器来提高准确性,使得半监督学习成为可能,并且进一步通过引入新的数据增强方法来降低标注成本,经过实验证明,该方法表现优于当前最先进的方法。
Jun, 2023
本研究是第一部弱监督异常检测方法的全面调查,将其分为三个弱监督设置,以及四种数据模态,并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验,并发布了源代码,以及一些弱监督异常检测方法和数据的收集。
Feb, 2023
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
本文提出了一种基于奖励函数的混合策略,用于决定在多轮中分配标签预算以收集主动学习标签或学习拒绝标签,以优化异常检测性能。应用于 18 个基准数据集,结果表明该策略优于基线方法。
Jan, 2023
通过自适应主动学习采样策略,利用数据先验分布和模型不确定性,我们的方法在检测异常时的主动学习中胜过现有方法,并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。
Jul, 2023
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
本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程,通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移,实现了降低假正例率且不损失检测率的目的。
Sep, 2018
本文提出使用少量已知异常数据的监督学习方法来检测所有异常数据。本文采用了一种新颖的边界辅助半推半拉对比学习机制,以增强模型的可区分性,并减轻偏差问题。该方法基于两个核心设计:第一,找到一条明确而紧凑的分离边界,将其作为进一步特征学习的指导;第二,使用边界辅助半推半拉损失将正常特征拉在一起,将异常特征推离分离边界。这样,我们的模型可以形成一个更为明确和可区分的决策边界,更加有效地区分已知和未知异常。
Jul, 2022