作者：Niamh Belton, Misgina Tsighe Hagos, Aonghus Lawlor, 等

简介：本文研究异常检测的小样本场景，并在业界率先提出Lstop止损表示的方法。近年来，异常检测领域取得了相当大的进步，但代价是训练管道越来越复杂。此类技术需要大量训练数据，导致计算量大的算法。作者提出了 ：小样本异常检测 (FewSOME)，这是一种深度单类异常检测算法，能够准确检测异常；该算法已在正常类的“少量”示例上进行训练，而没有异常类的示例。作者将 FewSOME 描述为低复杂度，因为它的数据要求低且训练时间短。FewSOME 借助基于 Siamese 网络的架构的预训练权重。通过消融研究，作者展示了作者提出的损失“止损”如何提高 FewSOME 的稳健性。实验表明：FewSOME 在基准数据集 MNIST、CIFAR-10、F-MNIST 和 MVTec AD 上的表现达到了最先进的水平，同时仅对 30 个正常样本进行了训练（这是现有方法训练数据的一小部分）。 最值得注意的是，作者发现 FewSOME 在仅存在少量正常类示例的设置中甚至优于高度复杂的模型。此外，广泛的实验表明 FewSOME 对受污染的数据集具有鲁棒性。除了 AUC 之外，作者还报告了 F1 分数和平衡准确性，作为未来技术进行比较的基准。作者发现 FewSOME 在仅存在少量正常类示例的设置中甚至优于高度复杂的模型。

 

论文下载：https://arxiv.org/pdf/2301.06957.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除