May, 2023

AnoOnly: 无需正常数据损失的半监督异常检测

PDF
TL;DRAnoOnly, a semi-supervised anomaly detection framework using weak supervision with batch normalization, addresses the issue of imbalanced data and achieves new state-of-the-art performance while being natively robust to label noise.
semi-supervised anomaly detectionfew-shot learningimbalanced databatch normalizationstate-of-the-art performance
发现论文，激发创造
  • 半监督异常检测的零样本域适应

    本研究提出了一种面向 SSAD 的领域自适应方法，其中没有针对目标领域的异常数据。该方法利用变分自编码器和领域对抗网络生成无域变化的潜在变量，结合加权损失函数来近似理想损失函数，旨在解决 SSAD 在适应领域迁移方面的问题。实验结果表明该方法可以成功适应目标领域中缺少异常数据的情况。

    Apr, 2023

  • 深度半监督异常检测

    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

  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 2023

  • 深度变分半监督新颖性检测

    本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

    Nov, 2019

  • 无监督异常检测：使用聚合的规范扩散

    我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

    Dec, 2023

  • AnoRand: 随机标注的半监督深度学习异常检测方法

    文章提出了一种新的基于深度学习与随机合成标签生成相结合的半监督异常检测方法 AnoRand，采用自编码器和噪声检测技术，生成一定比例的合成异常样本，并在合成和真实数据集上进行了实验，结果表明该方法优于大多数无监督和有监督算法。

    May, 2023

  • 弱监督异常检测：一项综述

    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

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • AGAD: 对抗生成异常检测

    该研究提出了一种基于对抗生成的异常检测方法（AGAD），该方法利用大规模正常数据生成上下文对抗信息生成伪异常数据，解决了异常数据获取困难的问题，显著提高了半监督和有限监督情况下的检测准确率。

    Apr, 2023

  • 医学影像非监督异常检测和定位的约束对比分布学习

    提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

    Mar, 2021