Weakly-supervised anomaly detection for multimodal data distributions

弱监督异常检测可以在少量标记异常的帮助下胜过现有的无监督方法，因此受到研究人员越来越多的关注。然而，现有的弱监督异常检测方法存在局限性，因为这些方法没有考虑到真实世界数据分布的多模型性质。为了缓解这个问题，我们提出了基于弱监督变分混合模型的异常检测器（WVAD）。WVAD在多模态数据集方面表现出色。它由两个组件组成：深度变分混合模型和异常分数估计器。深度变分混合模型捕捉来自不同聚类的数据的各种特征，然后将这些特征传递给异常分数估计器来评估异常水平。在三个真实世界数据集上的实验结果证明了WVAD的优越性。

论文旨在解决弱监督异常检测中现有方法无法考虑真实世界数据分布的多模态性的问题。

WVAD是一个由深层变分混合模型和异常分数估计器组成的方法，能够在多模态数据集上表现出色。

WVAD在三个真实数据集上进行了实验，表现优异。论文的方法有助于解决弱监督异常检测领域中的多模态数据分布问题。

最近的相关研究包括：'Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications'，'Deep One-Class Classification'等。