Jun, 2024

通过知识暴露增强异常检测泛化性能：增强方法的双重效应

PDF
TL;DR通过集成外部知识以了解概念动态和区分诱导语义偏移的转换，我们提出了一种名为 Knowledge Exposure（KE）的新方法来增强模型的泛化能力，在新的测试协议上对 CIFAR-10、CIFAR-100 和 SVHN 进行评估，表现优于以前的方法。
anomaly detectionbenchmarksgeneralizationsemantic-preserving transformationsknowledge exposure (ke)
发现论文，激发创造
  • 异常检测中的深度学习与异常情况曝光

    使用辅助数据集训练异常检测器，提出 Outlier Exposure (OE) 方法来改进机器学习领域中深度异常检测任务，在 NLP 和视觉任务中扩展实验表明 OE 显著提高检测性能，并分析该方法的灵活性和鲁棒性。

    Dec, 2018

  • 一种综合增强的异常检测框架

    该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并基于这些特征提出了综合框架，结合重建方法和分离训练策略，解决了过拟合问题并避免干扰重建过程，评估结果表明该方法在对象类别方面优于现有方法，并证明其在真实场景下遇到各种意外异常具有良好的潜力。

    Aug, 2023

  • 均值漂移对比损失用于异常检测

    本文提出一种新的深度异常检测方法，利用预训练的表示在外部数据集上进行对比学习，并基于分析提出改进的对比学习目标函数 Mean-Shifted Contrastive Loss，该方法可以显著提高异常检测性能。实验结果表明，与现有方法相比，在 CIFAR-10 数据集上实现了 98.6％的 ROC-AUC 表现，达到了最新的技术水平。

    Jun, 2021

  • 利用几何变换的深度异常检测

    针对图像异常检测问题，提出了使用多分类模型进行训练，鉴别几十种几何变换特征以有效识别异常图像的新算法，并进行了大量实验证明了其超越现有方法的优势。

    May, 2018

  • 污染数据异常检测的潜在异常暴露

    本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常 vs. 异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

    Feb, 2022

  • 超越熟悉特征的深度异常检测

    使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

    Oct, 2023

  • 数据增强对知识蒸馏的影响

    本研究发现知识蒸馏与微调在数据增强方面的偏好不同，鼓励学者探索针对知识蒸馏的数据增强方法，且合适的语义漂移度（例如，更改 30% 的令牌通常是知识蒸馏的最佳选项），并发现对于小型数据集，较大的语义漂移度更加适合，直至出现超出分布的问题。

    May, 2023

  • 上下文对比的异常检测

    通过在训练时将正常数据设置为不同的上下文，而又保留其正常特性，我们提出了 Con2 方法，它使我们能够从不同的角度观察数据，从而使未见过的正常数据符合学到的上下文表示，而异常数据则无法做到，从而无需在训练过程中了解异常情况就能检测到异常数据。我们的实验结果表明，我们的方法在各种基准测试中取得了最先进的性能，并在更现实的医疗保健领域展现出卓越的性能，这里潜在异常情况的了解常常是有限的。

    May, 2024

  • 深度异常检测的神经转换学习方法

    提出了一种可学习的数据变换方法，将数据嵌入语义空间，以检测异常值，此方法在时间序列和表格数据方面表现优异。

    Mar, 2021

  • 知识蒸馏用于异常检测

    无监督深度学习技术广泛用于识别异常行为。该研究介绍了一种基于知识蒸馏的新型过程，用于将无监督异常检测模型压缩成监督可部署模型，并提出了一套提高检测敏感性的技术集合。压缩模型在显著减小大小和内存占用的同时，性能与较大模型相当。

    Oct, 2023