Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection

本文介绍了一种名为HGAD的新型层次高斯混合归一化流建模方法，旨在解决统一异常检测中的挑战。该方法包括两个关键组成部分：类间高斯混合建模和类内混合类中心学习。与以往的基于归一化流的异常检测方法相比，层次高斯混合建模方法可以为归一化流的潜在空间带来更强的表示能力，从而可以很好地表示和学习复杂的多类分布。通过这种方法，我们可以避免将不同类别的分布映射到同一单一高斯先验中，从而有效避免或减轻“同质映射”问题。作者还指出，不同类中心越具有区分度，越有助于避免偏差问题。因此，作者进一步提出了一种互信息最大化损失，以更好地构建潜在特征空间。作者在四个真实世界的异常检测基准测试中对其进行了评估，在此过程中，HGAD方法显著提高了以前基于归一化流的异常检测方法的性能，并且优于SOTA统一异常检测方法。

本文试图解决统一异常检测中的同质映射问题，即如何在多个类别的正常样本中训练一个统一模型以检测这些类别中的异常值。

本文提出了一种新颖的层次高斯混合正则化流建模方法，称为HGAD。该方法包括两个关键组件：类间高斯混合建模和类内混合类中心学习。相比之前的基于正则化流的异常检测方法，层次高斯混合建模方法可以为正则化流的潜在空间带来更强的表示能力，从而可以在潜在空间中很好地表示和学习复杂的多类分布，避免将不同的类分布映射到同一单一高斯先验中，从而有效避免或减轻“同质映射”问题。

本文提出的HGAD方法在四个真实世界的异常检测基准测试中进行了评估，在此过程中，可以显著提高以前基于正则化流的异常检测方法的性能，并且胜过了当前最先进的统一异常检测方法。本文还提出了互信息最大化损失，以更好地构建潜在特征空间。

最近的相关研究包括：《Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection》、《Variational Autoencoder based Anomaly Detection using Reconstruction Probability》、《AnoGAN: Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery》等。