双编码半监督异常检测模型

摘要：

异常检测是机器学习领域广泛研究的一个热点问题,对于工业生产、食品安全、疾病监测等都具有重要作用.当前最新的异常检测方法多基于少量可用的有标记样本和大量无标记样本联合训练半监督检测模型.然而,现有的半监督异常检测模型多采用深度学习框架,在低维数据集上由于缺少足够多的特征信息,难以学习到准确的数据边界,检测性能不佳.针对该问题,提出了双编码半监督异常检测模型(Dually Encoded Semi-supervised Anomaly Detection,DE-SAD),充分利用可获得的少部分有标记数据结合大量无标记数据进行半监督学习,通过双编码阶段约束模型学习更准确的正常数据隐含流形分布,有效拉大了正常数据和异常数据的差距.DE-SAD在来自不同领域的多个异常检测数据集上都表现出优越的异常检测性能,在低维数据上的检测性能尤为突出,其AUROC指标相比当前最优的异常检测方法最高提升了 4.6％.

关键词：异常检测、半监督学习、自编码器、低维数据

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

资助基金：上海市浦江人才计划;国家自然科学基金;科技部重点研发计划

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：53-59