Aug, 2023

基于分位数最大似然训练的异常检测

PDF
TL;DR通过量化分位数的最大似然目标为学习内点分布并改善稀有点分离，我们的方法使用训练好的判别特征适应一个标准化流，并根据评估的对数似然检测稀有点。通过实验评估，我们的方法表现优于现有的无监督方法，并与最近的自监督方法竞争。我们的工作能减少对充分负样本训练数据的依赖，尤其对医学诊断或遥感等领域具有重要意义。
discriminative learningoutlier detectionquantile-based maximum likelihoodnormalizing flowunsupervised methods
发现论文，激发创造
  • 基于正则化流的特征合成技术在异常感知目标检测中的应用

    提出了一种基于可逆规范化流模型的异常检测方法，通过学习所有合法目标类别的联合数据分布，能够在生成的异常特征具有低于所有目标类别合法物体的低可能性的同时，建模更好的入侵对象和异常对象的决策边界，在图像和视频数据集中显著优于现有的技术。

    Feb, 2023

  • 最大似然不确定性估计：对异常值的鲁棒性

    本研究针对回归任务中的训练数据中的离群值和嘈杂标签对基于最大似然的不确定性估计方法的鲁棒性进行基准测试，并提出使用重尾分布（拉普拉斯分布）来提高对离群值的鲁棒性。通过标准回归基准测试和单目深度估计的高维回归任务进行了验证，得出了基于重尾分布的最大似然提供更好的不确定性估计，更好的超出分布数据的不确定性分离，以及在存在离群值的情况下更好的对抗性攻击检测等结论。

    Feb, 2022

  • 基于变分贝叶斯的三维配准鲁棒离群点剔除

    本文提出了一种基于变分非局部网络的离群值识别框架，使用贝叶斯驱动的长程依赖关系来聚集区分几何背景信息进行内点 / 外点的区分，通过投票的方式搜索高质量内点集合进行变换估计，实验证明该框架在 3DMatch、3DLoMatch 和 KITTI 数据集上表现良好。

    Apr, 2023

  • 均值漂移对比损失用于异常检测

    本文提出一种新的深度异常检测方法，利用预训练的表示在外部数据集上进行对比学习，并基于分析提出改进的对比学习目标函数 Mean-Shifted Contrastive Loss，该方法可以显著提高异常检测性能。实验结果表明，与现有方法相比，在 CIFAR-10 数据集上实现了 98.6％的 ROC-AUC 表现，达到了最新的技术水平。

    Jun, 2021

  • 通过分布和特征层次了解深可逆网络的异常检测

    我们提出了两种方法来解决通过最大似然训练的深度生成网络在异常检测时的问题，并通过 log likelihood ratios 和多尺度模型，提高了检测性能。

    Jun, 2020

  • 集成不确定性与负对象性的异常点检测

    在具有监督的视觉识别的安全关键应用中，离群点检测是一项至关重要的能力。本文提出一种新颖的方法，将异常分数定义为内部不确定性与离群类别的后验的集合，从而实现离群点的独立检测。该方法嵌入到一个密集预测架构中，并在 K+2 个类别上进行掩膜级别识别。通过训练过程，鼓励第 K+2 个类别在负面实例中学习负性关注度。我们的模型在标准基准上表现优于当前最先进的图像全局和像素级离群点检测方法，无论是否在真实负面数据上进行训练。

    Feb, 2024

  • 生成敌对性主动学习用于无监督异常检测

    本文提出了一个基于单目标生成对抗主动学习（SO-GAAL）方法的新型离群点检测算法，通过多个生成器（MO-GAAL）解决数据稀疏性和模式崩溃等问题，在合成和真实数据集上的实验结果表明，MO-GAAL 在各种情况下表现良好。

    Sep, 2018

  • 基于合成负样本的鲁棒学习密集型异常检测

    通过使用正则化流技术生成合成负面样本以及基于信息论准则来检测异常，可以提高密集预测任务中对混乱和异常值的鲁棒性，并在标准基准和数据集上获得最新的性能。

    Dec, 2021

  • 对比表示学习中的正则化及外域检测的理解

    对比度表示学习已经成为异常检测的一种杰出方法，本文通过探索对比特征的 l2 - 范数及其在超出分布检测中的应用，提出了一种简单的基于对比学习的方法，通过在对比层空间对正常样本进行抵制，来将超出分布的数据纳入模型中。我们的方法可以灵活地作为异常暴露（OE）方法应用，其中超出分布的数据是随机图像的大集合，或者作为完全自监督学习方法应用，其中超出分布的数据是通过应用分布变换自动生成的。我们的方法能够灵活地处理那些对比度学习基于异常检测方法普遍表现不佳的数据集，例如航空影像或显微镜影像。此外，通过对比度学习学习到的高质量特征在 OE 场景中始终提高性能，即使可用的超出分布数据集不够多样化。通过大量实验证明了我们所提方法在各种场景下的优越性，包括单一模态和多模态设置，以及各种图像数据集。

    Dec, 2023

  • 最大分类器差异的无监督超出分布检测

    该研究提出了一种基于两头卷积神经网络和无监督训练的深度学习模型外部数据检测方法，可以对深度学习模型在商业应用场景中面临的性能退化问题进行有效解决。

    Aug, 2019