开放式有监督异常检测中的异常异质性学习

Oct, 2023

开放式有监督异常检测中的异常异质性学习

Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection

Jiawen Zhu, Choubo Ding, Yu Tian, Guansong Pang

TL;DR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。

Abstract

open-set supervised anomaly detection (OSAD) - a recently emerging anomaly detection area - aims at utilizing a few samples of anomaly classes seen during training to detect unseen anomalies (i.e., samples from o

open-set supervised anomaly detection anomaly distributions anomaly heterogeneity learning abnormality modeling unseen anomalies

发现论文，激发创造

开放式多变量时间序列异常检测

本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

Oct, 2023

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

在线开放式半监督物体检测：基于半监督异常点过滤的方法

本文提出了一种新的端到端在线架构来改进和提高开放集装箱半监督目标检测的性能和效率，并在 COCO 数据集上取得了最佳表现。

May, 2023

捕捉灰天鹅和黑天鹅：开放集 Supervised 异常检测

本论文提出了一种新的监督学习方法，利用已知异常数据生成潜在异常和伪异常样本，通过学习这些不同类别的异常的表征，能够更有效地检测已知异常和未知异常。

Mar, 2022

利用混合未标记数据检测已知和未知失配类别样本

本研究主要解决有限标记数据和丰富无标记数据可用的更加现实的情况下的 OOD 检测问题。我们提出了一种自适应的基于样本熵和适当温度选择潜在 ID 和 OOD 样本的方法 (AIOL)，并利用数据扩充技术进一步提高了其性能。我们在多种基准数据集上进行的实验表明，我们的方法优于其他方法。

Oct, 2022

面向开放域自适应的未知感知领域对抗学习

本文提出一种基于 Unknown-Aware Domain Adversarial Learning（UADAL）的开放领域适应方法，该方法在特征对齐过程中同时对齐源和目标已知分布，隔离目标未知分布，实现了特征对齐和目标未知类别的理论保证，实验结果表明此方法胜过其他方法并表现出最先进的性能。

Jun, 2022

广义的异常检测：综述

本文首先提出一个通用的 OOD 检测框架，其中包括了另外四个相关问题的特例或子任务，然后重点回顾了这五个领域的最新技术发展，特别是 OOD 检测方法，并总结了开放的挑战和潜在的研究方向。

Oct, 2021

开放集领域适应：理论界限与算法

本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

Jul, 2019

面向开放集合目标检测与发现

本文提出了 OSODD 任务，使用开放式对象检测器识别未知对象的同时，基于其视觉外观无需人力，进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法，然后以无监督的方式研究预测对象的表示，并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在 MS-COCO 数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。

Apr, 2022

AnoOnly: 无需正常数据损失的半监督异常检测

AnoOnly, a semi-supervised anomaly detection framework using weak supervision with batch normalization, addresses the issue of imbalanced data and achieves new state-of-the-art performance while being natively robust to label noise.

May, 2023