文章目录

1 引言

2 相关工作

2.1 UAD与单分类问题

2.2 连续学习

3 提出模型

3.1 问题定义

3.2 损失函数

4 实验与结果

4.1 数据集及实验设定

4.2 对比算法

4.3 实验结果与分析

5 总结与展望

文章摘要:无监督异常检测（unsupervised anomaly detection, UAD）旨在检测任何未见过的偏离预期模式或正常分布的数据,由于其学习过程不依赖对罕见异常样本的获取,因此在现实动态环境下备受青睐.然而,在现实场景中,目标任务往往会随时间动态变化,这要求模型能够连续执行多个不同的UAD任务,确保在仅有当前任务正常数据的前提下,实现对所有见过任务的异常检测.本文旨在研究这一问题,尝试从互信息角度,提出一种新的连续UAD （CUAD）算法.具体而言,我们针对原始目标依赖过往任务原始数据和异常数据的问题,给出基于信息论的损失函数,并对其进行近似优化.据此,我们构建出来的深度编码器模型既能连续执行不同的UAD任务,又能有效应对连续学习带来的灾难性遗忘问题.最后,我们在多个标准数据集上的实验验证了所提出方法的优越性.

文章关键词:

项目基金: 上一篇：地质学论文_基于RBF神经网络-信息量耦合模型的
下一篇：电力工业论文_基于关系探索和KTBoost的暂态稳