深度学习如何异常检测？WSDM2021「深度学习异常检测」这份教程讲述12类方法，附111页ppt与论文

2021年第14届国际网络搜索与数据挖掘会议WSDM将在2021年3月8日到12日于线上举行。今年此次会议共收到了603份有效投稿，最终录取篇数为112篇，录取率为18.6%。在WSDM上，有关于《深度学习异常检测》教程值得关注！

https://sites.google.com/site/gspangsite/wsdm21_tutorial

在本教程中，我们旨在全面介绍专门为异常检测(深度异常检测)而设计的深度学习技术的进展。

深度学习在转换许多数据挖掘和机器学习任务方面取得了巨大的成功，但由于异常具有一些独特的特征，如罕见性、异质性、无限性以及收集大规模异常数据的高昂成本，目前流行的深度学习技术并不适用于异常检测。

通过本教程，读者将对该领域有一个系统的概述，了解目前最先进的12种不同类型的深度异常检测方法的主要要点、目标函数、基本假设、优缺点，并认识到其在不同领域的广泛适用性。我们还讨论了当前的深度异常检测方法可以从多个不同的角度解决和展望该领域的挑战。

任何对深度学习、异常/离群值/新奇检测、分布外检测、带有有限标记数据的表示学习以及自我监督表示学习感兴趣的读者，都会发现参加本教程非常有帮助。

金融、网络安全、医疗保健领域的研究人员和从业者也会发现该教程在实践中有帮助。

目录内容：

1. 概述 Overview of challenges and methods  (30 min)

• Introduction to anomaly detection

• Problems and challenges

• Deep vs. shallow methods

• Overview of deep anomaly detection approaches

2. 方法 Methods (100 min, including 10-minute break)

• The modeling perspective

+ Deep learning for feature extraction

+ Learning feature representations of normality

– Generic normality feature learning

∗ Autoencoder-based approaches

∗ Generative adversarial network-based approaches

∗ Predictability modeling approaches

∗ Self-supervised classification approaches

– Anomaly measure-dependent feature learning

∗ Feature learning for distance-based measure

∗ Feature learning for one-class classification measure

∗ Feature learning for clustering-based measure

+ End-to-end anomaly score learning

– Ranking models

– Prior-driven models

– Softmax likelihood models

– End-to-end one-class classification models

• The supervision information perspective

+ Unsupervised approach

+ Semi-supervised approach

+ Weakly-supervised approach

• Implementation and Evaluation

3. 结论 Conclusions and future opportunities (30 min)

• Summary of the methods

• Six possible directions for future research

+ Exploring new anomaly-supervisory signals

+ Deep weakly-supervised anomaly detection

+ Large-scale normality learning

+ Deep detection of complex anomalies

+ Interpretable and actionable deep anomaly detection

+ Novel applications and settings

讲者：

异常检测，几十年来一直是各个研究领域中一个持续而活跃的研究领域。但仍然有一些独特的问题、复杂性和挑战需要先进的方法。近年来，将深度学习应用于异常检测(即深度异常检测)已经成为关键方向。本文回顾了深度异常检测方法的研究进展，并对检测方法进行了分类，包括3个高级类别和11个细粒度类别。本文回顾了检测方法的主要intuitions、目标函数、基本假设、优势和劣势，并讨论了他们如何应对上述挑战。并且进一步讨论了一系列未来可能的机遇和应对挑战的新观点。

异常检测，又称离群值检测或新颖性检测，是指检测与大多数数据实例显著偏离的数据实例的过程。几十年来，异常探测一直是一个活跃的研究领域，早期的探测可以追溯到20世纪60年代的[52]。由于在风险管理、合规、安全、金融监控、健康和医疗风险、人工智能安全等广泛领域的需求和应用日益增长，异常检测在数据挖掘、机器学习、计算机视觉和统计等各个领域发挥着越来越重要的作用。近年来，深度学习在学习高维数据、时间数据、空间数据和图形数据等复杂数据的表达表示方面显示出了巨大的能力，推动了不同学习任务的边界。深度学习异常检测，简称深度异常检测，目的是通过神经网络学习特征表示或异常分数来进行异常检测。大量的深度异常检测方法已经被引入，在解决各种现实世界应用中具有挑战性的检测问题上，表现出比传统异常检测显著更好的性能。这项工作旨在对这一领域进行全面调研。我们首先讨论了异常检测的问题本质和主要的未解决的挑战，然后系统地回顾了当前的深度方法及其解决这些挑战的能力，最后提出了一些未来的机会。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“DLA” 就可以获取《深度学习如何异常检测？WSDM2021「深度学习异常检测」这份教程讲述12类方法，附111页ppt与论文》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源