Rethinking Autoencoders for Medical Anomaly Detection from A Theoretical Perspective

医学异常检测旨在仅使用正常训练数据识别异常发现，在健康筛查和识别罕见疾病方面起着至关重要的作用。重建方法，特别是利用自编码器（AE）的方法，在这个领域中占据主导地位。它们的工作基于这样的假设：仅在正常数据上训练的AE无法很好地重建未见过的异常区域，从而使基于重建误差的异常检测成为可能。然而，由于重建训练目标与异常检测任务目标之间的不匹配，这种假设并不总是成立，从而使这些方法在理论上不可靠。本研究侧重于为基于AE的重建方法在异常检测中提供理论基础。通过利用信息论，我们阐明了这些方法的原理，并揭示了改进AE在异常检测中的关键在于最小化潜在向量的信息熵。在两种图像模态的四个数据集上的实验证实了我们理论的有效性。据我们所知，这是第一次尝试在理论上阐明AE在异常检测中的原理和设计哲学。代码将在接受后提供。

本论文旨在为基于自编码器的重建方法在异常检测中提供理论基础，阐明其设计原则，探究如何提高自编码器在异常检测中的性能。

通过利用信息论，研究表明在异常检测中，提高自编码器性能的关键在于最小化潜在向量的信息熵。

论文在四个数据集上进行了实验验证，证明了理论的有效性。这是第一次尝试从理论上阐明自编码器在异常检测中的设计原则和思路。研究表明，自编码器在异常检测中的应用有很大的潜力。

最近的相关研究包括：1.《Deep One-Class Classification》；2.《Anomaly Detection with Multiple-Hypotheses Predictions using Deep Excitatory Networks》；3.《Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications》。