FSL-SCNN论文阅读笔记【待补充】

论文地址：Siamese Neural Network Based Few-Shot Learning for Anomaly Detection in Industrial Cyber-Physical Systems

算法介绍：

FSL-SCNN是一种基于Siamese网络的应用于少样本的工业信息物理系统（CPS）中的少样本异常检测。

下图是算法框架图，其中左侧是工厂的CPS系统，用于提供数据样本，右侧是基于Siamese的FSL-SCNN算法，用于异常预测。

FSL-SCNN算法不直接预测输入样本数据的类别，而是根据优化的特征计算输入样本之间的距离，它构建了一个基于 CNN 的 Siamese 网络来解决少样本学习问题，因此即使仅使用少量样本数据也可以识别新类别。下图是详细的FSL-SCNN的算法结构图：

包括特征变换，特征编码和距离比较三个阶段，每个阶段都有先对应的损失计算公式，因此最终算法的损失函数包含三部分，每部分的实现情况见原论文：

特征变换：根据相对特征表示方案将原始数据 x 转换为 xi，也就是将工业信号转换成模型可操作的序列。

特征编码：CNN编码器，将输入的特征编码为嵌入特征。

距离比较：将输入的样本，分别 与选定的Anchor类，正类，负类样本 的嵌入特征进行欧式距离的比较，通过距离预测对应的类别。

数据集：

使用了在工业检测问题中的两个通用数据集Dnor和Dano，其中Dnor是正常样本集，Dano是异常样本集。

本文是通过假设Nnor>>Nano来描述少样本学习的，即正常样本的数量远大于异常样本的数量。

支持集：从Nano数据集选择的样本

查询集：未观察到的新类样本[个人理解是需要预测的样本]

在训练的每一个epoch中，都随机选择K类恶意攻击的样本，每类都包括C个样本。

训练过程：

优化器：SGD  lr=0.1 800次迭代

预测过程：

将需要预测的样本xi输入一个子网络，得到相应的特征f(xi)（文中称其为嵌入特征），然后将这个特征f(xi)与支持集中的一个样本xj的嵌入特征f(xj)进行比较, D操作表示计算两个嵌入特征的欧式距离，然后接一个全连接层，最后用Softmax层输出概率。

𝑃(𝑥𝑖 , 𝑥𝑗)代表待预测样本xi和支持集样本xj是同一个类别的概率。

将xi和支持集中的每一个样本都进行上述操作，得到多个概率，最大概率时xj所在的样本类别，就是xi的类别。

简单来说，就是xi应该和支持集中某个样本的欧式距离最小，xi和该样本属于同一类别。

实验结果: