论文阅读:深度自编码高斯混合模型DAGMM --＞DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION

一、问题背景

• 异常检测应用场景：欺诈检测、网络入侵检测、工业控制领域等。
• 目前存在的问题
  • 如何对高维和多变量的数据进行无监督异常检测是一个挑战，传统的聚类算法，例如K-means，GMM，很难很好的应用到这类高维数据上。
• 目前的常用解决方法 传统的方法分两步，先对高维数据进行降维，将原始数据映射到低维度空间；然后在这个低维空间内做密度估计。
  • 这两个步是相互独立的过程，高维数据降维后的表征很难保留足够多的关键信息。
  • 因为这两步是相互独立的，最终可能导致模型陷入局部最优的境地，试想降维过程完全独立于后面密度估计过程，并不知道为后面的密度估计过程保留哪些关键信息

二、论文创新点

1. 本论文提出的DAGMM模型，很巧妙的将降维过程（Deep AutoEncoding，以下简称DAE）和密度估计过程(Gaussian mixture model，以下简称GMM)有机的结合在一起，进行端到端的联合训练。避免了因两步独立导致模型陷入局部最优的境地。
2. DAGMM模型有着强大的容量足以拟合高维复杂的数据，并且巧妙利用EM算法思想，来优化GMM模型，使得DAE与GMM可以联合训练，实验结果表明，DAGMM模型比state of art方法，在F1指标上提高了14个点，效果相当惊艳。

三、DAGMM网络结构