Nov, 2023

NNG-Mix: 利用伪异常生成改进半监督异常检测

PDF
TL;DR提出了一种名为最近邻高斯混合 (NNG-Mix) 的新算法，通过整合有标签和无标签数据来生成伪异常样本，用于改进半监督和监督异常检测算法，与常用的数据增强方法相比，在 57 个数据集上取得显著的性能提升，对于 ADBench 中的经典、计算机视觉和自然语言处理数据集，最多可提高 16.4%、8.8% 和 8.0%。
anomaly detectionsemi-supervisedlabeled anomaliespseudo-anomaliesdata augmentation
发现论文，激发创造
  • AGAD: 对抗生成异常检测

    该研究提出了一种基于对抗生成的异常检测方法（AGAD），该方法利用大规模正常数据生成上下文对抗信息生成伪异常数据，解决了异常数据获取困难的问题，显著提高了半监督和有限监督情况下的检测准确率。

    Apr, 2023

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • DOPING: GAN 生成数据增强用于无监督异常检测

    本研究介绍了一种基于 GAN 和 AAE 的数据增强框架，可以应用于未监督的异常检测任务，并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。

    Aug, 2018

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 深度半监督异常检测

    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

  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 2023

  • AnoRand: 随机标注的半监督深度学习异常检测方法

    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

  • GuidedMix-Net：使用标记的图像作为参考学习改进伪掩码

    本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

    Jun, 2021

  • 面向相关性的深度生成模型用于无监督异常检测

    本文提出了一种基于关联感知的无监督深度高斯混合模型 (CADGMM) 的异常检测方法，该方法通过图形表示建立了样本间的关联，采用双编码器将特征和关联信息编码到低维潜在空间中，并利用高斯混合模型估计这些样本的密度，从而检测异常。

    Feb, 2020

  • GraphMAD：使用数据驱动凸聚类的图形混合数据增强

    本文提出了一种新的基于数据的非线性 mixup 机制，为样本对及其标签提供不同的 mixup 功能，通过在公共潜在特征空间上投射图形数据并探索非线性数据驱动的 mixup 策略，结合凸聚类生成一个最佳的数据增强方法来提高图分类的性能。

    Oct, 2022