文本中的深度异常检测

Dec, 2023

Deep Anomaly Detection in Text

Andrei Manolache

TL;DR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。

Abstract

Deep anomaly detection methods have become increasingly popular in recent years, with methods like Stacked Autoencoders, Variational Autoencoders, and Generative Adversarial Networks greatly improving the state-of-the-art. Other methods rely on augmenting classical models (such as the

anomaly detection deep learning self-supervision text corpora natural language processing

发现论文，激发创造

文本数据深度学习异常检测方法

使用深度学习和变换器架构结合经典机器学习算法以检测和识别文本中的异常，将所有文本上下文转换为数字表示。

Nov, 2022

深度和浅层异常检测的统一综述

通过综述研究，探究了在复杂数据集中深度学习方法在异常检测中的应用，分析了常见方法的共性原理、常见假设以及经验评估，并提出了对未来研究的挑战和方向。

Sep, 2020

通过 Transformer 自监督检测文本异常

本文提出了一种将深度学习模型应用于文本异常检测的方法，使用两个独立的自我监督信号，在文本序列上引入了一个新的先决条件任务，并在 20Newsgroups 和 AG News 数据集上均取得了强大的定量和定性结果。

Apr, 2021

自监督损失用于单类文本异常检测

通过自我监督学习 Fine-tune Transformers，利用丢失作为异常分数，成功提升语义异常的 AUROC 分数 11.6％和句法异常的 22.8％。此外，所得到的最佳目标和学习表示因下游异常类型不同而异，且表示的可分离性对于检测语义异常更有效。

Apr, 2022

文本异常检测的鲁棒自编码器集成方法

通过引入鲁棒自编码器集成方法，优化原始数据编码嵌入的局部鲁棒子空间恢复，利用 k 近邻的几何属性来优化子空间恢复，检测文本数据中的异常模式。通过实验设置以及详尽的实验结果评估表明，该鲁棒自编码器集成方法在检测独立异常和情境异常时具有高效性、稳健性和性能优势。

May, 2024

GAN 在异常检测中的应用综述

本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

Jun, 2019

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

使用偏差网络进行深度异常检测

本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。

Nov, 2019

高性能计算系统中的自编码器异常检测

这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

Nov, 2018

深度学习在医学异常检测中的应用 — 综述

本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析，提供关于流行的深度学习技术的全面的系统性回顾，比较和对比它们的架构差异和训练算法，并提供了用于解释模型决策的深度模型解释策略的综合概述。此外，指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。

Dec, 2020