ALTBI：通过优化内点记忆效应构建改进的异常值检测模型

Aug, 2024

ALTBI：通过优化内点记忆效应构建改进的异常值检测模型

ALTBI: Constructing Improved Outlier Detection Models via Optimization of Inlier-Memorization Effect

Seoyoung Cho, Jaesung Hwang, Kwan-Young Bak, Dongha Kim

TL;DR本研究针对异常值检测中的有效性问题，提出了一种基于内点记忆效应的创新方法。通过增加小批量训练数据的尺寸和使用自适应阈值设计截断损失函数，研究证实了该方法在低计算成本的情况下，相较于其他方法在异常值识别上达到了最先进的性能。此外，该方法与隐私保护算法的结合也展现了良好的鲁棒性。

Abstract

Outlier Detection (OD) is the task of identifying unusual observations (or outliers) from a given or upcoming data by learning unique patterns of normal observations (or inliers). Recently, a study introduced a powerful unsupervised OD (UOD) solver based on a new observation of

发现论文，激发创造

学习用于随机基于距离的异常检测的超高维数据表示

RAMODO是一个基于排名模型的框架，旨在通过 REPEN 方法来解决编码表示和异常检测之间的不一致性问题，充分利用少量的标注数据来提高表征学习的性能和稳定性。

Jun, 2018

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

基于深度生成模型的异常检测进一步分析

探究如何在深度生成模型中检测异常值，发现高密度区域和通常样本集不一致，提出新的异常值检测方法以及需要修改已有的评估方法

Oct, 2020

利用记忆和对比学习进行无监督异常检测

研究了利用特征空间中异常值与正常值的距离进行异常检测，提出了一种名为MCOD的框架，结合记忆模块和对比学习模块。实验证明，该方法在四个基准数据集上表现良好，优于其他九种最先进的方法。

Jul, 2021

去偏VAE似然度进行稳健的异常值检测

通过研究使用变分自编码器（VAE）进行异常检测的方法，本文提出了新的分析和算法方法来纠正VAE似然值中的偏差，并展示了一种用于改进异常检测的先前已知图像预处理技术，最终在九个灰度图像和自然图像数据集上实现了最先进的准确度，同时跑的更快且性能更佳，轻量的修复程序就能够实现VAE的强健异常检测。

Aug, 2021

深度异常检测中的超参数敏感性：分析与可扩展的超集成解决方案

本文通过大规模分析深度异常检测方法的超参数敏感性，设计了一个鲁棒性可扩展深度超集成模型 ROBOD 并进行了广泛的实验验证，表明 ROBOD 在选择模型和调整超参数的问题上取得了良好的表现，同时训练成本较低。

Jun, 2022

ODIM: 通过深度生成模型内点记忆效应高效检测离群值的方法

使用深度神经网络解决训练数据集包含异常值但未给定任何标签信息时的无监督离群点检测问题，提出一种名为IM effect的新观察，并开发了一种名为ODIM的新方法，具有高效和良好性能。

Jan, 2023

自适应梯度基础离群值去除的噪声标签学习

提出了一种新的自适应基于梯度的异常点去除方法AGRA，通过比较批量样本的聚合梯度和单个样本梯度，动态决定是否剔除数据集中的异常点。在多个数据集上进行广泛评估，证明了AGRA的有效性，同时全面的结果分析支持了初步的假设：永久性的硬异常点去除并不总是对模型最有益的。

Jun, 2023

无标签数据如何在区分分布之外的检测中发挥作用?

使用无标签数据来规范机器学习模型已经显示出改善检测超出分布数据的安全性和可靠性的潜力。一个新的学习框架SAL（分割与学习）通过从无标签数据中分离候选离群值然后使用这些候选离群值和标记的正态数据训练离群值分类器，理论上证明了SAL能以较小的错误率分离候选离群值，这为学习到的离群值分类器提供了泛化保证。实证结果表明SAL在常见基准测试上取得了最先进的性能。

Feb, 2024

EntropyStop: 无监督深度异常检测与损失熵

研究旨在研究异常值对训练阶段的影响，并提出了一种名为Loss Entropy的零标签熵度量来推断训练的最佳停止点，然后基于此开发了一种自动化的早停算法EntropyStop，该算法通过在最大模型检测能力时停止训练来提升AutoEncoder（AE）的性能。

May, 2024