【论文分享】深度异常检测综述（Deep Learning for Anomaly Detection: A Review）-中

vector<>

已于 2022-02-16 11:42:54 修改

阅读量3.3k

点赞数 13

分类专栏：异常检测文章标签：机器学习深度学习人工智能异常检测深度异常检测

于 2021-08-24 11:26:57 首次发布

本文链接：https://blog.csdn.net/qq_39328436/article/details/119873947

版权

异常检测专栏收录该内容

24 篇文章 ¥59.90 ¥99.00

订阅专栏

超级会员免费看

本文综述了深度异常检测的三个方面：特征提取、正常性特征学习和端到端异常得分学习。重点讨论了各种深度学习模型如自动编码器(AE)、生成对抗网络(GAN)在异常检测中的应用，强调了这些方法的优缺点及挑战，如AE的重建误差作为异常指标、GAN的隐空间表示和对抗性学习在单类分类中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在上一次的论文分享中👉https://blog.csdn.net/qq_39328436/article/details/118582785我们介绍了深度异常检测以及其复杂性与挑战。在这个一次的论文分享中，我要介绍“深度异常检测”的几个类别，也可以说是几个重点的研究方向。一共涉及三个大类以及11个小类，本次会对这11个类别展开介绍，重点介绍特征，原理，研究路线，优点，缺点，以及他们所应对的挑战。需要提前说明的是，本次并不对每个方法的进行详细的逻辑推导和证明（毕竟是综述性质的论文，主要的目的还是从整体上了解这个领域）

目录

分类总览

1.Deep learning for feature extraction

Characteristic：

Assumption：

Research line：

Advantages:

Disadvantages：

Challenges:

Models

2.Learning features representations of normality

Characteristic：

2.1 Generic Normality Feature Learning：

Characteristic：

2.1.1 Autoencoder（AE）

2.1.2 Generative Adversarial Networks（GAN）

2.1.3 Predictability Modeling

2.1.4 Self-supervised Classification

2.2 Anomaly Measure-dependent Feature Learning

Characteristic

2.2.1 Distance-based Measure

2.2.2 One-class Classification-based Measure

2.2.3 Clustering-based Measure

3.End-to-end Anomaly Score Learning

Characteristic

3.1 Ranking Models

3.2 Prior-driven Models

3.3 Softmax Likelihood Models

3.4