在计算机视觉及其他领域进行自我监督的异常检测:一项调查和展望

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 异常检测 (AD) 在网络安全,金融和医疗保健方面至关重要,用于识别不寻常的模式.
• 深度学习的进步推动了AD方法的重大进展.
• 自主监督学习 (SSL) 已经成为一个强大的范式,产生了超越当前最先进的新型AD算法.

研究的目的:

• 提供当前自主监督异常检测 (SSAD) 方法的全面审查.
• 详细介绍标准SSAD方法,分析它们各自的优缺点.
• 为了比较各种SSAD模型之间的性能,以及其他领先的AD技术.

主要方法:

• 对自主监督异常检测现有文献的审查.
• 标准自主监督异常检测算法的技术说明.
• 使用已建立的基准标准对模型性能进行比较分析.

主要成果:

• 与传统方法相比,自主监督学习方法在异常检测方面表现优越.
• 详细的比较突出了不同自我监督技术的相对有效性和局限性.
• 该审查确定了该领域的关键趋势和绩效基准.

结论:

• 自主监督学习在异常检测方面取得了重大进展.
• 未来的研究应该专注于开发更高效和有效的SSAD算法.
• 与多模式学习等其他领域的整合为未来发展提供了有前途的途径.