李宏毅《Deep Learning》学习笔记 - Anomaly Detection

学习资料：video, PPT

1. 缘起

面对的问题是什么？

2. 有标签的情况

2.1 分类问题

如果能够收集到大量的有标签数据，直接训练一个二分类器，就可以结束了。

但是，很多情况下是很难收集anomaly example的。

对于有标签的情况，其中一种是对normal example可以分为C类，那么，可以训练一个分类器，将样本做C分类。对于normal example，被识别为某一类别的概率会非常高。对于anomaly example，被识别为某一类的概率会相对偏低。通过设置阈值$\lambda$，来区分anomaly examples.



算法的评估指标选择上，需要考虑实际的需求，而不是简简单单依赖准确率。一些综合性指标，如AOC会比较合适。当然，特殊问题，特殊对待。可以通过加权计算最终的score来做判断。

2.2 扩展阅读

3. 无标签的情况

3.1 极大似然估计

为了简化问题，我们使用二维问题来做说明。
最终，我们想要学习的模型是一个概率模型，根据输入的大量样本，估算概率密度函数的参数。使用的方法，就是极大似然估计法。







对于真实问题，通常都是多维的，下面是多维的情况下的扩展。

3.2 扩展阅读