基于Multiple-Hypothesis Autoencoder的异常检测
文章链接:Anomaly Detection Based on Multiple-Hypothesis Autoencoder
这篇文章提供了一个很好的拓展研究idea的思路。
**研究背景是这样的:**针对于异常检测的数据集中异常样本比较少的情况,大多的研究都是针对于正常数据进行只识别正常样本的模型,从而利用遇见异常样本的时候重构出来的损失比较大,来作为异常的检测。
重构时编码与解码有以下的问题:
the restoration area for the input data of AE is limited in the latent space.
在只用正常数据训练好的解码器在编码的时候其输入数据的重建区域在潜在的空间中比较有限。
怎么解决呢?主角出来了,Multiple-hypothesis Autoencoder(MH-AE) model composed of several decoders.
模型输出的是模型输出的是损耗函数最小的解码器的预测值。
在训练的时候,每个解码器单独更新自己的参数,在实际测试的时候模型输出的是损耗函数最小的解码器的预测值。
最后在MNIST dataset上进行测试,相比于普通的编码解码器,其检测精度有所提高!
也是一个很好的开拓思路的想法!
要把科研作为一个项目去对待,要把一个项目完成。需要克服困难,要把难以逾越的问题化解成若干个小可以轻松完成的小目标来做,拆解科研的每一步细节,然后再一步步的去做就好。其中每一步怎么走,怎么拆解成小目标还是要多看论文,多从当前的方法中汲取更好的灵感!