RoSAS: 深度半监督异常检测与抗污染连续监督
减小理论假设与实际训练数据之间的差距,并提出一个学习框架来改进正常性表示,通过识别样本的正常性,并在训练过程中迭代更新样本的重要性权重。还提出了终止条件,受到异常检测目标的启发。通过在多个受污染数据集上进行实验证明,该框架提高了三种典型异常检测方法的鲁棒性。
Sep, 2023
本研究介绍了一种无监督式的感知时间序列异常检测方法(TSAD-C),通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤,成功在三个广泛使用的生理数据集上超越现有方法,达到了领域中的最新技术水平。
Aug, 2023
计算机视觉中,使用深度学习方法中仍存在的问题是异常检测无法被实时发现,并且在进行异常标注的时候,需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题,通过训练一个滑动型视觉变压器来提高准确性,使得半监督学习成为可能,并且进一步通过引入新的数据增强方法来降低标注成本,经过实验证明,该方法表现优于当前最先进的方法。
Jun, 2023
使用无监督的数据改进框架,我们比较了训练过程中可能存在异常样本的情况下,对于异常检测 (Anomaly Detection) 任务,利用机器学习模型进行异常检测的性能,并将其与使用仅含正常样本的理想训练数据进行了比较,在多元时间序列数据的公共数据集上展示了该方法的优越性。
Aug, 2023
提出了一种对抗 Selection ambiguity 和 Assignment ambiguity 的 Ambiguity-Resistant Semi-supervised Learning (ARSL) 方法,使用 Joint-Confidence Estimation 和 Task-Separation Assignment 等技术来提高 Semi-Supervised 目标检测的性能,实验表明该方法取得了最先进的性能。
Mar, 2023
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
提出两种基于分类的半监督异常检测方法,一种基于无偏风险估计器的半监督浅层方法和一种利用非负偏向风险估计器的半监督深层方法,通过建立估计误差和风险过度界限来证明两者的有效性,并提出选择合适的正则化参数以确保浅层模型下经验风险非负性的技术。
Sep, 2023
本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性,提出了一种简单的单类分类策略(SROC),并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。
Feb, 2022
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。
May, 2023
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