Apr, 2023

基于可调概率重构误差和均值漂移异常值评分的自编码器异常检测改进

PDF
TL;DR本文提出了基于概率重构误差的自编码器方法和基于均值漂移的新的离群得分方法来解决常规自编码器机制在离群检测中的不足，实验结果表明这两种新方法的组合相对于最佳基准提高了 41％，其中 MSS 平均提高了 20％的多个基于自编码器的离群检测器的性能。
autoencodersoutlier detectionprobabilistic reconstruction erroradjustable probabilistic reconstruction errormean-shift
发现论文，激发创造
  • ARES: 基于重建的局部自适应异常评分

    本文提出基于自适应重建误差评分的方法来改善自编码器在异常检测中的性能问题，并在实验中证明了该方法的有效性与可行性。

    Jun, 2022

  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • 利用马氏距离改善重建自编码器的 OD 检测

    本文针对在安全关键应用中如自主车辆系统的分类验证需求，提出了在潜变量空间中使用马氏距离来捕获偏离已知正常样本和模型参数定义的潜变量流形之间的异常值，以提高异常检测性能。

    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

  • 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

  • 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

  • 汇集重构误差用于外部分布检测

    本文提出了一种新的方法，即基于重构误差聚合探测器 (READ)，旨在通过同时使用分类器的不一致性和自动编码器的重构误差检测特定的 ID 和 OOD 样本，并且在预培训和重新培训两种情况下提出了两种变体。与先前的 OOD 检测算法相比，我们的方法不需要接触测试时间 OOD 数据来微调超参数，并且在对 CIFAR-10 进行广泛比较时，我们的方法将平均 FPR@95TPR 降低了高达 9.8％。

    Jun, 2022

  • 超越已知：对抗自编码器的新颖性检测

    通过线性化保持内点分布结构的流形，我们计算新颖性概率，并在网络的训练协议上进行改进，证明我们的方法在学习目标类别方面是有效的，并在几个基准数据集上优于最新的先进方法。

    Apr, 2024

  • 基于自编码器的消除伪相关性方法

    通过自动编码器方法分析了 Global Wheat Head Detection（GWHD）2021 数据集中存在的错误关联，并使用修复和加权盒融合方法成功提高了平均域准确率（ADA），证明了该方法能够抑制部分 GWHD 2021 数据集中的错误关联。

    Jun, 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