超越熟悉特征的深度异常检测

Oct, 2023

Going Beyond Familiar Features for Deep Anomaly Detection

Sarath Sivaprasad, Mario Fritz

TL;DR使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

Abstract

anomaly detection (AD) is a critical task that involves identifying observations that do not conform to a learned model of normality. Prior work in deep AD is predominantly based on a familiarity hypothesis, where familiar features serve as the reference in a pre-trained embedding spac

anomaly detection deep learning explainability novel features benchmark

发现论文，激发创造

深度异常检测中的假设重新思考

本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

May, 2020

预训练深度特征中正常数据分布的建模用于异常检测

本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测，该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型，使用马氏距离作为异常得分，可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值，并探究了该方法在图像中异常检测中的可行性和影响因素。

May, 2020

图像 / 视频深度异常检测：综述

本篇论文探讨了基于深度神经网络的图像 / 视频异常检测方法，讨论了当前的挑战和未来的研究方向。

Mar, 2021

透明异常检测的基于概念的解释

透明异常检测概念解释（ACE）是一种基于深度学习技术的新方法，旨在提供可解释的异常检测结果，并能与人类有效交互，具有与黑盒模型相比更高或相当的性能，并可与其他基于分类的异常检测方法无缝集成。

Oct, 2023

图像异常检测的启发式超参数选择

图像中的异常检测是一个基本的计算机视觉问题，我们提出了一种减少特征维度的算法，并利用预训练模型提取的深层特征进行异常检测，以提高性能和降低计算成本。

Jul, 2023

原型在时间序列异常检测中的解释作用

该论文提出了一种名为 ProtoAD 的模型，使用基于示例的原型来解释深度模型中的正常模式状态，旨在提高深度模型的透明度和可理解性，进一步提高异常检测的精度和性能。

Jul, 2023

迈向公平的深度异常检测

本文提出了一种新的公平异常检测方法 Deep Fair SVDD，采用对抗网络训练来解决深度学习可能存在的社会偏见问题，并提出了两种有效公平性指标。在实验中，我们发现现有的深度异常检测方法存在不公平性，而我们的方法能够在最小损失性能的情况下消除不公平性，并进行了深入分析以证明方法的优点和局限性。

Dec, 2020

AcME-AD：用于异常检测的加速模型解释

AcME-AD 是一种基于可解释人工智能原则的新型方法，旨在提高数据异常检测模型的解释性和可靠性，通过提供本地特征重要性评分和 what-if 分析工具来揭示每个异常的因素，从而帮助解决原因分析和决策问题。

Mar, 2024

文本中的深度异常检测

利用自监督学习针对文本语料库制定预文本任务的方法，根据最新研究成果，大幅提高了半监督和无监督异常检测的效果，并证明了自监督异常检测在自然语言处理领域中的潜力。

Dec, 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