【标题】ESAD: End-to-end Deep Semi-supervised Anomaly Detection
【作者团队】Chaoqin Huang, Fei Ye, Ya Zhang, Yan-Feng Wang, Qi Tian 【发表时间】2020/12/9 【论文链接】https://arxiv.org/pdf/2012.04905.pdf 【参考链接】 【推荐理由】 本文通过测量正常和异常数据的KL散度以确定异常检测的优化目标，提出端到端深度半监督模型同时优化目标函数中训练数据和潜在表征之间的互信息与熵。 本文探讨了更实用的异常检测设置-半监督异常检测，其除了大量未标记的训练数据之外，还提供了少量标记的异常样本。通过重新思考异常检测的优化目标，本文提出了一个新的目标函数来度量正常数据和异常数据之间的KL离散度，并证明由两个因素构成：数据和潜在表征之间的相互信息及潜在表征的熵异常检测的不可或缺的目标函数。为了解决同时优化这两个因素的矛盾，本文又提出了一种新的编码器-解码器-编码器结构，第一个编码器侧重于优化互信息，第二个编码器侧重于优化熵。这两个编码器被强制共享相似的编码，并对它们的潜在表示具有一致的约束。大量实验表明，该方法在多个基准数据集（包括医学诊断和几个经典的异常检测基准）上明显优于几种最新技术。 图1 ： ESAD网络整体结构

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