【ICLR 2022】异常检测 | Anomaly Detection for Tabular Data with Internal Contrastive Learning

已于 2024-03-23 22:22:26 修改
阅读量523 收藏
点赞数
分类专栏： 异常检测 文章标签： 异常检测 深度学习 人工智能
于 2024-03-19 21:20:18 首次发布
原文链接：https://openreview.net/pdf?id=_hszZbt46bT
版权
该论文提出了一种内部对比学习（ICL）方法，用于表格数据的异常检测。通过构建特征对并最大化匹配特征对之间的互信息，即使在没有先验辅助任务的情况下，也能增强模型对表格数据的理解和检测能力。实验表明，该方法在多个数据集上优于基线，并具有稳定的超参数表现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

请添加图片描述
论文题目：Anomaly Detection for Tabular Data with Internal Contrastive Learning
论文链接：https://openreview.net/pdf?id=_hszZbt46bT

1. 背景与动机

异常检测中，单类分类的方法(One-Class Classification)通过观察基本正常/完全正常的训练集来学习数据的正常模式，从而将测试样本中不符合已知正常模式的样本判定为异常样本。

近年来，为了增强正常模式的学习质量，人们常在图像异常检测任务中针对数据的结构设计辅助任务（pretext task），以改进检测模型的检测能力。
例如，人们直观地知道一个图像经过旋转后并不会改变它原本的类别归属，因此图像被旋转不同的角度来制造新样本。新样本与原始样本归属于同一类，而又区分于其他类。（这种特性被称作类相关，class-dependent）。
通过辅助任务，样本的表达被丰富，从而提升了模

了解本专栏 订阅专栏 解锁全文 超级会员免费看
表格型数据异常检测
风口IT猪的成长录
06-04 195
表格型数据（Tabular Data）：若干特征的集合，可以是连续型（continuous）或离散型（discrete）特征。
【论文分享】深度异常检测综述（Deep Learning for Anomaly Detection: A Review）-中
vector的博客
08-24 3361
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
【ICLR 2024】异常检测 | MCM: Masked Cell Modeling for Anomaly Detection in Tabular Data
qq_41977459的博客
03-23 752
这篇文章受掩码图像/语言建模在CV和NLP领域的成功的启发，提出了一种用于表格数据异常检测的MCM框架。通过生成多样的掩码矩阵抽取正常数据中的不同特征关联，从而在测试阶段将缺乏这些关联的样本判定为异常。
异常检测进阶梳理1：Tabular AD视角
Xu_Wave
05-28 922
接触异常检测领域也有一年多的时间了，过程中遇到不少坑，知识体系也在不断更新完善，这里以专题的形式进行知识体系的梳理~
MCM: Masked Cell Modeling for Anomaly Detection in Tabular Data(论文研读)
mengluohuayexuan的博客
07-19 1381
解决了表格数据（即结构化数据）中的异常检测问题——通常由one-class分类（只有一个类别或类别的样本集用于训练模型。通常，这个类别包含所谓的正常或良性样本，而异常样本或异常类别是未知的或未在训练数据中包含的）设置实现，训练集仅包含正常样本。本文主要工作：扩展了遮罩建模方法，捕获训练集中特征之间的内在相关性，偏离这种相关性的样本极有可能是异常。贡献1：如何获得多元和多样化的相关性——新遮罩策略（学习产生多个遮罩）
10-机器学习之异常检测(anomaly detection)
fengshengwei3的专栏
09-02 922
目录 一 背景 二 算法过程 三 样本的分配 四 异常检测与监督学习 五 如何选择特征 六 异常检测中的误差分析流程 七 多元高斯分布 八 多元高斯分布建模 九 如何选择原始模型和多元模型 一 背景 已知一个数据集，对于一个新的样本x-test,需要有一个模型来判断这个样本是好的样本还是异常样本 定义一个模型(model) p(x)来判断样本是否是异常的，为该模型设定一个阈...
MCM: Masked Cell Modeling for Anomaly Detection in Tabular Data(代码解读一)
最新发布
mengluohuayexuan的博客
07-21 853
MCM模型的代码解读一，主要涉及模型定义与初始化参数
顶会速递 | ICLR 2020录用论文全集
语言智能技术笔记簿
03-10 1万+
由深度学习三巨头Yoshua Bengio和Yann LeCun牵头创办的人工智能顶会ICLR今年最终收到2594篇投稿，共687篇论文被接收，其中48篇orals，108篇spotlights，531篇posters，录取率为26.5%，相比去年的31.4%略有下降。华人学者占比为47%。这篇博客为大家列出全部录用的论文列表，方便大家自取。
Anomaly detection(异常检测：用于无监督学习)
qj970514的博客
08-15 2875
Gaussian distribution(高斯分布) 高斯分布又称正态分布；正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。对一元高斯函数或多元高斯函数求积分，结果为1。 若随机变量X服从一个数学期望为μ、方差为σ^2 的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1...
机器学习-33-Anomaly Detection(异常侦测)
迷雾总会解
01-12 4194
Anomaly Detection，翻译为中文意思是异常侦测，异常侦测要做的就是：让机器可以知道我不知道这件事。上面引用了《论语，论证》篇，“知之为知之，不知为不知，是知也（知道就是知道，不知道就是不知道，这样才是真正的知道）”，就是让机器知道它不知道这件事
理解对比表示学习(Contrastive Learning)
热门推荐
xxxxxxxxxx13的博客
12-12 3万+
目录一、前言二、对比学习三、主要论文（附代码分析）1.MOCO ([Kaiming He](https://ieeexplore.ieee.org/document/9157636) *et al.* 2020)2. SIMCLR ([Geoffrey Hinton](https://arxiv.org/pdf/2002.05709.pdf) *et al* 2020)3. AMDIM ([Bachman](https://arxiv.org/pdf/1906.00910.pdf) *et al.* 201
论文阅读_基于深度学习的异常检测综述
谢彦的技术博客
11-13 3284
本篇解读的论文发表于2020年，主要介绍基于深度学习的异常检测技术，可作为2009年发表的那篇高引的传统异常检测综述的互补。
异常检测（Anomaly Detection）综述
小白学视觉
07-04 3466
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自|计算机视觉life导读异常检测是一个发现“少数派”的过程，本文将目前深度学习的异常检测...
异常检测最新论文列表
Young的博客
12-15 4466
Anomaly detection paper list github Survey Paper Deep Learning for Anomaly Detection: A Survey | [arXiv’ 19] |[pdf] Anomalous Instance Detection in Deep Learning: A Survey | [arXiv’ 20] |[pdf] Deep Learning for Anomaly Detection: A Review | [arXiv’ 20]
论文阅读：Deep Learning for Anomaly Detection: A Review
qcmhzly的博客
09-01 1206
Deep Learning for Anomaly Detection: A Review
[Machine Learning] 13 异常检测(Anomaly Detection)
今天你DEBUG了吗
07-21 615
点Ta13 Anomaly Detection(异常检测)13.1 Problem Motivation13.2 Gaussian Distribution(高斯分布)13.3 Algorithm13.4 Developing and Evaluating an Anomaly Detection System13.5 Anomaly Detection vs. Supervised Learning13.5 Choosing What Features to Use13.7 Multivariate ..
【异常检测论文】Anomaly Detection综述
小苏打的学习博客
10-29 5754
一、简介 异常检测一直是机器学习中一个非常重要的子分支，在各种人工智能落地应用例如计算机视觉、数据挖掘、NLP中，异常检测算法都是很热门的研究方向，特别是大数据时代，人工处理数据的速度已经远远赶不上机器了，所以更快地检测数据中的异常情况成为了我们当下非常重要的任务。在深度学习广泛的推广之前，传统的异常检测算法有很多，例如高斯拟合，半监督学习等等，而在深度学习大火之后，人们也开始研究将深度学习应用于各种异常任务中(也就是Deep Anomaly Detection，以下统称DAD)，并取得了很大的成功，本文将
【异常检测-论文阅读】（CVPR 2022）Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection
小菜鸡的学习记录
08-10 3995
引入了一种新的神经块SSPCAB（Self-Supervised Predictive Convolutional Attentive Block），该神经块由一个掩码卷积层和一个通道注意模块组成，用于预测卷积接受域中的一个掩码区域。
【论文笔记】【CVPR2022】【异常检测】 Anomaly Detection via Reverse Distillation from One-Class Embedding
weixin_44866655的博客
03-13 1万+
[CVPR2022] Anomaly Detection via Reverse Distillation from One-Class Embedding CVPR 2022 Link: [2201.10703] Anomaly Detection via Reverse Distillation from One-Class Embedding (arxiv.org) Code: none 1. Intro 提出一个新颖的知识蒸馏框架：Teacher Encoder + Student Decod
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值