May, 2023

寻找迷人的监督信号：使用规模学习的深度异常检测

HTML
PDF
TL;DR该研究针对表格数据提出了一种基于数据标签（即“尺标”）的监督式异常检测方法，并通过利用数据各维度的不同子向量来构建标签和训练神经网络。通过该方法对数据内在规律的建模，进而实现对异常值的检测。实验结果表明，该方法较现有最先进的生成式/对比式异常检测方法有着显著的提升。
发现论文，激发创造
  • 深度学习用于异常检测:调研

    本文针对深度学习异常检测问题进行了系统综述，将研究方法划分为不同的类别并探讨其在应用领域的适用性和效果，同时讨论了现有研究的局限性和未来研究的方向。

    Jan, 2019

  • AMAD：基于对抗多尺度方法的高维时变分类数据异常检测

    本文提出了一个统一的端到端方法，通过结合Adversarial Autoencoder和Recurrent Neural Network的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方法优于现有技术。

    Jul, 2019

  • 使用偏差网络进行深度异常检测

    本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。

    Nov, 2019

  • 反向传播梯度表示用于异常检测

    本论文研究了利用后向传播梯度作为表示以检测异常的方法。实验证明，这种基于梯度的方法在基准图像识别数据集上达到了最先进的异常检测性能，并且与依赖于对抗网络或自回归模型的其他最先进的方法相比，这种方法具有更高的计算效率和更简单的结构。

    Jul, 2020

  • 深度和浅层异常检测的统一综述

    通过综述研究，探究了在复杂数据集中深度学习方法在异常检测中的应用，分析了常见方法的共性原理、常见假设以及经验评估，并提出了对未来研究的挑战和方向。

    Sep, 2020

  • 脆性特征可能有助于异常检测

    研究新的表示学习方法在异常检测中的应用，结果显示，与其使用特定的异常检测器，选择正确的表示更为重要；知识蒸馏可以比直接使用表示更有效。此外，尽管异常和正常数据的可分性很重要，但更容易受到对抗性特征的影响。最后，在一个真实的X射线安全数据集中，新的配置可以检测出96.4%的异常，优于以前的结果。

    Apr, 2021

  • 时间序列的神经上下文异常检测

    通过结合多元时间序列表示学习的最新发展和最初为计算机视觉开发的深度异常检测技术，我们引入了神经上下文异常检测（NCAD）框架，该框架可无缝地从无监督到监督设置扩展，可应用于单变量和多变量时间序列。我们的窗口式方法通过将通用合成异常注入到可用数据中来促进学习正常和异常类之间的边界，并且我们的方法可以在半监督的情况下有效地利用所有可用的信息。我们在标准基准数据集上进行了实证，证明了我们的方法在这些设置中获得了最先进的性能。

    Jul, 2021

  • 可解释的偏差网络深度少样本异常检测

    本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了sample-efficient考虑，实现了对少量标注样本的训练，并在9个实际图像异常检测基准测试中表现显著好于同类方法。

    Aug, 2021

  • 异常检测中的表示学习：成功、限制和一个重大挑战

    异常检测的主导范式在无限扩展上将面临基本限制，对于许多工业任务，当存在强任务先验时，可以克服这些限制；但当不存在这样的先验时，异常检测变得更加困难，因此我们提出了两个异常检测的重大挑战：i）通过异常检测来进行科学发现；ii）在ImageNet数据集中检测最异常的图像，我们相信需要开发新的异常检测工具和思想来克服这些挑战。

    Jul, 2023

  • RoSAS: 深度半监督异常检测与抗污染连续监督

    该研究提出了一种新的半监督异常检测方法，使用污染鲁棒连续监督信号并采用质量插值方法以及基于特征学习的目标来解决异常污染问题，并在11个真实数据集上展示了显著优于现有方法20%-30%的性能提升。

    Jul, 2023