深度学习异常检测_深度few-shot异常检测

入门, 利用一些标记的异常实例执行异常通知的异常检测

由于缺乏大规模的标记异常数据，现有的(深度或浅度)异常检测方法通常被设计为无监督学习(针对完全未标记的数据进行训练)或半监督学习(针对仅标记的正常数据进行训练)。结果，当在许多现实世界中的异常检测应用中可获得这样的信息时，他们难以利用先验知识(例如，一些标记的异常)。这些有限的标记异常可能源自已部署的检测系统，例如一些成功检测到的网络入侵记录，也可能源自用户，例如由客户报告并经银行确认的少量欺诈性信用卡交易。由于假设在训练期间只有few-shot的标记异常可用，因此该研究领域中的方法可以归类为"few-shot异常检测"。但是，它们与一般的一次性学习也有一些根本的区别。我将在最后讨论更多有关差异的内容。在这篇文章中，我将分享我们在利用深度学习技术来解决这个问题方面的一些令人振奋的工作。

研究问题

给定一组较大的正常(或未标记)训练数据和非常有限数量的标记异常数据，我们旨在适当利用那些较小的标记异常数据和较大的正常/未标记数据来学习异常检测模型。

基于深度距离的异常检测方法

REPEN [1]可能是第一种深度异常检测方法，旨在利用few-shot标记异常来学习异常通知检测模型。REPEN中的关键思想是学习特征表示，以便在随机数据子样本中异常具有比正常数据实例更大的最近邻居距离。如[2，3]所示，此随机最近邻居距离是最有效和高效的异常度量之一。REPEN旨在学习针对此最新异常度量量身定制的特征表示。REPEN的框架如下所示。