41、多类异常检测算法研究与实践

多类异常检测算法研究与实践

在实际应用中，多类异常检测问题广泛存在，如工业生产中的质量检测、网络安全中的入侵检测等。本文将介绍几种多类异常检测算法，并重点介绍一种新的算法DeepMAD。

1. 相关工作

目前存在多种单类新奇性检测算法，但这些算法并不直接适用于单类异常检测问题。在单类异常检测中，我们为样本分配标签，而在单类新奇性检测中，我们学习一个潜在空间，将正常类与离群点有效分离。

在分布外（OOD）检测中，通过分类器的基本预测置信度（MSP分数）、温度缩放的softmax分数（ODIN）或置信度校准等方法检测分布外样本。还有一些方法使用其他数据集作为OOD示例的代理，或使用GAN生成负样本进行训练。

近年来，基于深度学习的方法也被用于异常检测。例如，DeepSVDD将类内数据映射到最小体积的球体中，DROCC通过区分分布内点的扰动点来学习更具区分性的特征。此外，训练自动编码器学习低维表示，以及使用自监督学习通过学习变换来分类样本等方法也被广泛应用。

2. 单类异常检测向多类情况的扩展

通常，异常检测方法学习从输入空间X到低维特征空间Y的映射F，然后通过函数D为输入分配正常或异常的概率。对于多类情况，当有1 ≤ i ≤ m个正常类时，我们可以为每个类学习一个单类分类器，得到一组单类异常检测器{(Fi, Di)}m i=1。

为了将这些m个检测器用于多类情况，我们可以使用风险分析中的信念函数理论来提供一个框架。在这个理论中，假设m个专家对一组选择的风险进行评估，然后将这些评估结果组合起来得到最终的风险估计。

在我们的问题中，设U = {1, 2, · · ·, m, Λ}表示m