最新49页《深度学习异常检测综述》论文，带你全面了解深度学习异常检测方法

2019 年 1 月 14 日 专知

【导读】本文对基于深度学习的异常检测的研究方法进行了系统全面的综述。此外，还回顾了这些方法对不同应用领域异常的应用，并评估了它们的有效性。

（图源自网络）

作者 | Raghavendra Chalapathy等

编译 | Xiaowen

异常检测是一个在各个研究领域和应用领域内得到广泛研究的重要问题。本研究的目的有两个方面：首先，我们对基于深度学习的异常检测的研究方法进行了系统全面的综述。此外，我们还回顾了这些方法对不同应用领域异常的应用，并评估了它们的有效性。我们根据所采用的基本假设和方法，将最先进的研究技术分为不同的类别。在每一类中，我们概述了基本的异常检测技术，以及它的变体，并给出了关键的假设，以区分正常行为和异常行为。对于我们介绍的每一类技术，我们还介绍了它们的优点和局限性，并讨论了这些技术在实际应用领域中的计算复杂性。最后，我们概述了研究中的未决问题和采用这些技术时所面临的挑战

在分析真实世界的数据集时，一个常见的需求是确定哪些实例与所有其他实例不同。这些实例被称为异常，异常检测(也称为异常点检测)的目标是以数据驱动的方式确定所有此类实例（Chandola et al. [2007]）。异常可由数据中的错误引起，但有时表示一种新的、以前未知的潜在过程；事实上，Hawkins[1980]将异常点定义为一种与其他观测结果显著偏离的观测。在广泛的机器学习领域，近几年来，深度神经网络在各个应用领域都出现了前所未有的成果。深度学习是机器学习的子集，它通过学习将数据表示为神经网络层内概念的嵌套层次，从而获得良好的性能和灵活性。随着数据规模的增加，深度学习优于传统的机器学习，如图1所示。

近年来，基于深度学习的异常检测算法越来越流行，并已应用于各种任务集，如图2所示；研究表明，深度学习完全优于传统方法（Javaid[2016]）。本文的研究目的有两个方面，首先对深度异常检测(DAD)的研究方法进行了系统、全面的综述。此外，我们还讨论了跨不同应用领域采用DAD方法的问题，并评估了它们的有效性。

图3是二维数据集异常的图解：

图4体现了图像数据集中的新颖性：

图5展示了与基于深度学习的异常检测技术相关的关键部件。

图6展示了基于深度学习模型的异常检测分类：

更多内容，下载查看49页综述论文：

请关注专知公众号（点击标题下方蓝色专知关注）

后台回复“异常检测综述” 就可以获取49页《深度学习异常检测综述》论文下载链接~

专知《深度学习：算法到实战》2019年1月正在开讲，欢迎报名！

专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授！