KDDJun, 2023

使用分数分布差异进行异常检测

PDF
TL;DR本文提出了一种称为 Overlap loss 的新的损失函数，通过优化异常评分函数的得分分布来更好地保留输入数据的多样性和更细粒度的信息，充分考虑数据干扰和不同数据情况下的自适应性，可以有效地集成到多种网络体系结构中用于 AD 模型的构建，且在各类型异常检测上优于现有技术。
anomaly detectionunsupervised learningadaptionoverlap lossscore distribution
发现论文，激发创造
  • 面向文本 OOD 检测的无监督分层得分聚合

    本研究探讨了对于文本异常检测，如何选择最佳层数进行计算，提出了一种数据驱动无监督方法来组合常常输出的异常得分，并在包含更多分类任务的基准测试中验证结果。

    Feb, 2023

  • 马哈拉诺比斯感知训练用于外部分布检测

    在本研究中，我们提出了一种新的损失函数和网络训练方法，以提高密度感知的开放世界环境中对异常和越界样本的检测能力，并在 CIFAR-10 数据集上进行了验证，将相对马氏距离方法在远距离越界任务中的错误正例率降低了 50% 以上。

    Nov, 2023

  • 梯度正则化的离群样本检测

    利用损失函数的梯度信息进行训练，实现神经网络在离分布数据上的检测，并通过能量采样方法提高模型性能。

    Apr, 2024

  • 异常、新颖性、开放集和分布外检测的统一调查：解决方案及未来挑战

    本文综述了目前在机器学习中所涉及的异常检测、开放集识别、新颖性检测和习一类学习等不同领域中，如何识别和检测来自于训练集分布之外的样本，从而提出了跨领域的研究方向，这对提高模型的鲁棒性具有重要意义。

    Oct, 2021

  • 非监督式评估未知分布检测：一种数据为中心的观点

    本文是关于检测外域异常的无监督评估问题，提出了三种方法计算 Gscore 作为指标，并且引入包含 200 个真实外域数据集的新基准 Gbench 用于评估。实验结果表明，Gscore 与异常检测性能有很强的定量相关性，并且本文方法表现出了最先进的性能。

    Feb, 2023

  • 一种简单的统一框架用于检测样本的离群点和对抗攻击

    本文提出了一种简单而有效的方法，可用于检测任何异常样本，适用于任何预训练的 softmax 神经分类器，在高鲁棒性方面表现优越，同时在检测离群样本和对抗样本方面都取得了最先进的性能，在分类增量学习中有着更广泛的应用。

    Jul, 2018

  • 标签预算约束下的深度异常检测

    本文提出了一种基于理论条件的数据标记策略，并提出了一种新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。

    Feb, 2023

  • 无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率

    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

  • 提高样本外检测的三个因素

    通过引入自我知识蒸馏损失、采样半难例离群数据和使用监督对比学习，我们的方法在分类准确性和离群检测性能之间取得平衡，同时提高了两个性能指标。

    Aug, 2023

  • 开放式有监督异常检测中的异常异质性学习

    开放式监督异常检测（OSAD）是一个新兴的异常检测领域，旨在利用在训练期间观察到的少量异常类样本来检测未见的异常（即来自开放式异常类的样本），同时有效识别已观察到的异常。本文提出了一种使用有限异常样本学习异构异常分布的方法，命名为 Anomaly Heterogeneity Learning（AHL），以解决这个问题。AHL 能够模拟各种异构（已见和未见）异常分布，并利用它们学习一个统一的异构异常模型。此外，AHL 是一个通用框架，现有的 OSAD 模型可以插入和应用，以增强其异常建模能力。大量实验结果表明 AHL 能够显著增强不同最先进的 OSAD 模型在检测已见和未见的异常方面的性能，在多个数据集上达到新的最先进水平，并且能够有效地推广到新目标领域中的未见异常。

    Oct, 2023