Sep, 2023

一种基于变分自编码器的高效无监督异常检测方法

PDF
TL;DR本文研究了用于无监督的离群检测的深度生成模型（DGMs），特别关注使用标准正态先验分布的基本变分自动编码器（VAE）。我们提出了一种针对基本 VAE 设计的新颖离群得分方法，称为误差降低（ER），其结合了从丢失版本中重建图像输入的概念，并考虑了图像的科尔莫哥罗夫复杂性。对不同数据集的实验结果表明，我们的方法优于基准方法。我们的代码可在此 URL 获得：https:// 这个 URL
deep generative modelsunsupervised out-of-distribution detectionvariational autoencoderserror reductionresource-limited applications
发现论文，激发创造
  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 可能性失误：变分自编码器的异常检测分数

    本研究提出了一种基于 Variational Auto-encoders 的有效的异常检测方法 Likelihood Regret，并在现有的检测方法基础上进行了实验，结果表明我们的方法在 VAEs 上具有最佳的异常检测性能。

    Mar, 2020

  • 层级 VAE 知道它们不知道的

    深度生成模型的密度估计已被证明是最先进的，但最近的研究发现，它们通常会分配更高的似然性给训练分布之外的数据，此行为是由于偏差所致，本文通过分层变分自编码器提供了证据来解释这种行为，我们认为这是预期和期望的行为，掌握这一洞见后，我们设计了一种快速、可扩展且完全无监督的似然比分数用于 ODD 检测，并在大量数据和模型组合上进行了基准测试，获得了最佳实验结果。

    Feb, 2021

  • 去偏 VAE 似然度进行稳健的异常值检测

    通过研究使用变分自编码器（VAE）进行异常检测的方法，本文提出了新的分析和算法方法来纠正 VAE 似然值中的偏差，并展示了一种用于改进异常检测的先前已知图像预处理技术，最终在九个灰度图像和自然图像数据集上实现了最先进的准确度，同时跑的更快且性能更佳，轻量的修复程序就能够实现 VAE 的强健异常检测。

    Aug, 2021

  • 利用向量量化变分自编码器恢复潜空间进行异常检测

    通过使用 VQ-VAEs 结合密度和基于恢复的方法，我们提出一种识别实现无监督异常检测的新方法，该方法通过对图像进行编码将概率分布建模，并将不常见的编码替换为从先验分布中采样的编码集合，通过对生成的恢复图像和原始图像之间的平均 L1 距离度量像素级的异常得分，我们对 MOOD 挑战数据集进行了测试，相比具有 VAEs 的标准重建方法，我们的方法具有更高的准确性。

    Dec, 2020

  • 通过稳健的变分自编码实现新颖性检测

    本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

    Jun, 2020

  • 基于 PAC 的形式化验证用于检测分布外数据

    本文利用变分自编码器实现了对开放分布数据（OOD）的检测，在对结果进行了准确度量和规范约束后，使用 CARLA 数据集对此方法进行了验证。

    Apr, 2023

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 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

  • 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