有针对性的抑制正则化自编码器在异常检测中的应用：中心处的黑洞

Jun, 2023

有针对性的抑制正则化自编码器在异常检测中的应用：中心处的黑洞

Targeted collapse regularized autoencoder for anomaly detection: black hole at the center

Amin Ghafourian, Huanyi Shui, Devesh Upadhyay, Rajesh Gupta, Dimitar Filev...

TL;DR本文提出了一种简单的方法，通过在潜在空间中规范表示的规范化项来补充重构损失以改进自编码器的异常检测性能，并在不同的视觉和表格基准测试上进行验证和分析。

Abstract

autoencoders have been extensively used in the development of recent anomaly detection techniques. The premise of their application is based on the notion that after training the autoencoder on normal training data, anomalous inputs will exhibit a significant →

autoencoders anomaly detection reconstruction error latent space performance

发现论文，激发创造

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

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

高性能计算系统中的自编码器异常检测

这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

Nov, 2018

基于理论的重新思考自编码器在医学异常检测中的应用

利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

Mar, 2024

用仅包含正常训练数据的正常潜空间约束进行异常检测

通过引入一种新的潜变量约束损失来限制自动编码器的重构能力，本研究在不增加额外计算成本的情况下，提出了一种有效的限制异常重构能力的自动编码器的方法，从而提高异常检测模型的性能。

Mar, 2024

基于能量的迭代投影在正常数据流形上用于异常定位

本文提出了一种新的方法，通过使用梯度下降法来将异常数据映射到自编码器学习的正常数据流形上，以解决自编码器重建在本地缺陷存在时的分割问题，并通过正则化项在能量函数中引入先验知识来优化投影结果，该方法比传统重建方法在多个异常检测数据集上均取得了最优结果。

Feb, 2020

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

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

我们是否以错误方式使用自编码器？

在该文中，我们重新审视了欠完备自动编码器的标准训练方法，通过修改潜在空间的形状而无需在损失函数中使用任何显式正则化项。我们迫使模型重构的不是相同的观测输入，而是从同一类分布中抽样得到的另一个观测值。我们还探讨了在重构来自整个数据集的随机样本时潜在空间的行为。

Sep, 2023

条件变分自编码器进行异常检测

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020