本文是异常检测综述的另一篇文章,针对《Self-Supervised Anomaly Detection: A Survey and Outlook》进行翻译。
自监督异常检测:综述与展望
摘要
在过去几年中,异常检测是机器学习的一个子领域,主要关注罕见事件的检测,随着深度学习模型的空前增长,异常检测得到了极大的改进。
最近,自监督学习的出现引发了新的异常检测算法的发展,其精度大大超过了最先进的水平。本文旨在回顾自监督异常检测的现有方法。我们介绍了常用方法的技术细节,并讨论了它们的优缺点。我们还将这些模型的性能与其他最先进的异常检测模型进行了比较。最后,我们讨论了改进现有算法的各种新方向。
1. 引言
异常检测(AD)的任务是识别与大多数数据显著不同的样本,并经常表现成不规则、虚假、罕见或欺诈性观察的信号。在文献中,也使用了其他术语,如异常值、新颖性、分布外和偏差,而不是异常。异常检测在训练期间无法定义所有现有类的情况下特别有用。这使得AD算法可用于广泛的应用,包括但不限于网络安全中的入侵检测、金融和电信中的欺诈检测、声学新颖性检测、股票市场分析、地球科学领域中的事件检测、物理学、天文学,医学诊断和疾病检测、生物信息学和遗传学。
在过去的几十年里,为异常检测开发了一系列机器学习模型。核密度估计(KDE)、一类支持向量机ÿ