基于知识数据对齐的弱监督异常检测

WWWFeb, 2024

基于知识数据对齐的弱监督异常检测

Weakly Supervised Anomaly Detection via Knowledge-Data Alignment

Haihong Zhao, Chenyi Zi, Yang Liu, Chen Zhang, Yan Zhou...

TL;DR研究提出了一种新颖的知识 - 数据对齐框架（KDAlign），通过整合人工专家总结的规则知识来增强有限标记异常样本的模型性能。采用最优传输技术实现知识和数据的对齐，并将最优传输距离作为额外损失项引入弱监督异常检测方法的目标函数中，实验证明该框架在各种异常类型上均取得了优异性能，较同类方法明显优越。

Abstract

anomaly detection (AD) plays a pivotal role in numerous web-based applications, including malware detection, anti-money laundering, device failure detection, and network fault analysis. Most methods, which rely on unsupervised learning, are hard to reach satisfactory detection accuracy

anomaly detection weakly supervised knowledge-data alignment optimal transport performance evaluation

发现论文，激发创造

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

多模态数据分布的弱监督异常检测

基于弱监督的变分混合模型的异常检测器（WVAD）在多模态数据集上表现出卓越性能。通过捕捉不同聚类中数据的各种特征，并通过异常得分评估器对这些特征进行评估，WVAD 能够识别异常水平。在三个真实世界数据集上的实验结果证明了 WVAD 的优越性。

Jun, 2024

弱监督视频异常检测的聚合知识蒸馏

通过将多个骨干模型的聚合表示进行知识蒸馏，我们提出了一种相对简单的模型，达到了最先进的性能。我们的方法在多个基准数据集上取得了显著提高，尤其是在 UCF-Crime、ShanghaiTech 和 XD-Violence 数据集上，分别实现了 1.36％、0.78％和 7.02％的显著改进。

Jun, 2024

从弱标记视频中定位异常

本文提出了一种弱监督异常定位方法，利用高阶上下文编码模型提取语义表示，度量动态变化并有效利用时间上下文，通过聚合动态变量和立即语义来获取最终的异常分数，并通过增强策略处理噪声干扰和异常检测中的定位指导缺失，同时收集了一组新的交通异常数据集（TAD），实验表明该方法在常见的异常检测基准测试集中实现了最新的最佳性能。

Aug, 2020

ALWOD: 弱监督目标检测的主动学习

ALWOD 是一种综合使用主动学习、弱监督学习和半监督学习范式的新框架，通过利用极小标记集合和大型弱标记图像集合的辅助图像生成策略来初始化模型，利用学生 - 教师目标检测对的不一致性和不确定性来选择最有信息量的图像进行注释，并引入了一种新的标注任务，基于模型提出的检测进行人工标记的选择和修正，实现了快速而有效的标注过程，从而显著缩小了只使用部分标记但经过策略选择的图像实例进行训练的目标检测模型和仅依赖完全标记数据进行训练的模型之间的差距。

Sep, 2023

标签预算约束下的深度异常检测

本文提出了一种基于理论条件的数据标记策略，并提出了一种新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。

Feb, 2023

无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率

通过自适应主动学习采样策略，利用数据先验分布和模型不确定性，我们的方法在检测异常时的主动学习中胜过现有方法，并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。

Jul, 2023

监控视频中基于弱监督的时空异常检测

本文提出了一种被称为弱监督时空异常检测的新任务，针对监控视频的异常情况进行定位。我们提出了一种双分支网络方法，能够在时空域中使用多粒度的 proposals 进行关系推理，以捕捉目标行为的丰富上下文信息和复杂实体关系。并且在两个数据集上进行了广泛的定量和定性评估，证明了所提方法的有效性。

Aug, 2021

一种用于含有异常数据的完全无监督异常检测的通用机器学习框架

使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

Aug, 2023

面向监督的异常检测

本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

Jan, 2014