这篇文章写得有点粗糙,但是想法很好,把capsnet应用在anomaly detection方向上的做法稍加改进就可以将其复制到drift detection上。
总的来说,这篇文章就是观察capsnet中的动态路由系数,如果没有出现anomaly,那么指向不同secondary capsules的系数应该有较大的差异(模型对某预测正确的类置信度很高,而对其他的类置信度很低),当出现anomaly时,这个差异会显著减小。
可以看到,在右图中,normal case的基尼系数比anomalous的基尼系数小很多(文中没有说明什么是normal/anomalous capsule,我也不知道那是个啥),所以当基尼系数增加时,可以认为发生了anomaly case。
想法很好