通过神经转换进行自我监督的异常检测

科学领域:

• 机器学习 机器学习
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 数据增强对于自主监督学习至关重要,特别是在异常检测方面.
• 现有的手工转换对于图像数据是有效的,但对于非图像数据是缺乏的.

研究的目的:

• 开发有效的转换,以对任意数据进行端到端异常检测.
• 调查对比损失对于学习数据转换的适用性.

主要方法:

• 采用对比损失函数来学习多样化但语义上相关的数据转换.
• 应用神经转换学习到各种数据模式,包括时间序列,表格,文本和图形数据.
• 评估了该方法在异常检测任务中的性能和可解释性.

主要成果:

• 从理论和经验上证明,对比损失优于转换学习的先前损失.
• 在时间序列,表格,文本和图形数据集上实现了最先进的异常检测性能.
• 通过多个抽象级别的学习转换,在图像异常检测中展示了更好的解释性.

结论:

• 与对比损失的神经转换学习提供了一种强大而通用的方法,用于在各种数据类型中检测异常.
• 该方法在该领域取得了重大进展,因为它可以在传统方法不足的情况下有效检测异常.
• 未来的工作可以探索学习转换的进一步应用和改进,以提高可解释性和性能.