用仅包含正常训练数据的正常潜空间约束进行异常检测

ICLRMar, 2024

用仅包含正常训练数据的正常潜空间约束进行异常检测

Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data

Marcella Astrid, Muhammad Zaigham Zaheer, Seung-Ik Lee

TL;DR通过引入一种新的潜变量约束损失来限制自动编码器的重构能力，本研究在不增加额外计算成本的情况下，提出了一种有效的限制异常重构能力的自动编码器的方法，从而提高异常检测模型的性能。

Abstract

In order to devise an anomaly detection model using only normal training data, an autoencoder (AE) is typically trained to reconstruct the data. As a result, the AE can extract normal representations in its

anomaly detection model autoencoder latent space reconstruction capability video anomaly detection

发现论文，激发创造

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

学习不重构异常

本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

Oct, 2021

基于理论的重新思考自编码器在医学异常检测中的应用

利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

Mar, 2024

基于合成时序异常指导的端到端视频异常检测

本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。

Oct, 2021

用于现实世界异常分类的潜在空间群集调节

自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器，我们将其潜在空间设为条件，将样本分类为正常数据或异常数据。为了特别强调小的异常，我们进行了实验，在额外的输入中提供了差异图，并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中，同时还能重构高质量的图像，从而产生有意义的潜在表示。

Sep, 2023

ARAE：对抗性训练的自编码器提高了新颖性检测

本文提出了一种新型自编码器，利用对抗鲁棒性来学习更具语义意义的特征以在新颖性检测问题中更好地重建正常数据，并提出奖励惩罚机制以解决自编码器过于泛化的问题，实验证明该方法在三个基准数据集上超越或与最先进的方法相竞争。

Mar, 2020

基于能量的迭代投影在正常数据流形上用于异常定位

本文提出了一种新的方法，通过使用梯度下降法来将异常数据映射到自编码器学习的正常数据流形上，以解决自编码器重建在本地缺陷存在时的分割问题，并通过正则化项在能量函数中引入先验知识来优化投影结果，该方法比传统重建方法在多个异常检测数据集上均取得了最优结果。

Feb, 2020

基于重构误差的少量异常样本检测

探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

May, 2023

有针对性的抑制正则化自编码器在异常检测中的应用：中心处的黑洞

本文提出了一种简单的方法，通过在潜在空间中规范表示的规范化项来补充重构损失以改进自编码器的异常检测性能，并在不同的视觉和表格基准测试上进行验证和分析。

Jun, 2023

记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆

提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。

Apr, 2019