Most approaches to dense anomaly detection rely on generative modeling or on discriminative methods that train with negative data. We consider a recent hybrid method that optimizes the same shared representation according to cross-entropy of the discriminative predictions, and negative log likelihood of the predicted energy-based density. We extend that work with a jointly trained generative flow that samples synthetic negatives at the border of the inlier distribution. The proposed extension provides potential to learn the hybrid method without real negative data. Our experiments analyze the impact of training with synthetic negative data and validate contribution of the energy-based density during training and evaluation.
翻译：暂无翻译
相关内容
在数据挖掘中，异常检测（英语：anomaly detection）对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。
特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法（特别是无监督的方法）将对此类数据失效，除非进行了合适的聚集。相反，聚类分析算法可能可以检测出这些模式形成的微聚类。
有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下，无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器（与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性）。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。
专知会员服务
34+阅读 · 2019年10月17日
Arxiv
0+阅读 · 2023年7月12日
Arxiv
0+阅读 · 2023年7月11日
Arxiv
0+阅读 · 2023年7月10日
Arxiv
0+阅读 · 2023年7月10日
Arxiv
15+阅读 · 2019年1月15日
相关VIP内容
专知会员服务
34+阅读 · 2019年10月17日
相关资讯
相关论文
Arxiv
0+阅读 · 2023年7月12日
Arxiv
0+阅读 · 2023年7月11日
Arxiv
0+阅读 · 2023年7月10日
Arxiv
0+阅读 · 2023年7月10日
Arxiv
15+阅读 · 2019年1月15日
微信扫码咨询专知VIP会员