基于自编码标准流的异常点检测.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

Computer

Systems

Applications,2024,33(3):34−42

[doi:

10.15888/ki.csa.009420]

©中国科学院软件研究所版权所有.Tel:

+86-10

基于自编码标准流的异常点检测①

121

钟海鑫,

王晖,

郭躬德

1(福建师范大学

计算机与网络空间安全学院,

福州

350117)

2(贝尔法斯特女王大学

电子学、电气工程与计算机科学学院,

贝尔法斯特

BT9

5BN)

通信作者:

郭躬德,

E-mail:

ggd@

摘要:

在大型和高维数据上进行有效检测,

在实际应用中具有重要意义.

异常点检测是指识别出偏离一般数据分

布的数据点,

其核心是密度估计.

尽管像深度自编码高斯混合模型通过先降低维度,

再进行密度估计已经取得了重

大进展,

但是它对低维潜在空间引入噪声,

并且在对密度估计模块优化时存在一些限制,

例如需要保证协方差是正

定矩阵.

为解决这些限制,

本文提出一种用于无监督异常检测的深度自编码标准化流(deep

autoencoder

normalizing

flow,

DANF).

该模型利用深度自编码器为每个输入样本生成低维潜在空间表示和重构误差,

进而将其输入标准化

流(normalizing

flow,

NF),

最终映射成高斯分布.

在多个公开的基准数据集上的实验结果表明,

深度自编码标准化

流模型显著优于最先进的异常检测技术,

在评估指标F1-score上最高提升26.43%.

关键词:

异常检测;

无监督学习;

标准化流;

可逆变换;

密度估计

引用格式:

钟海鑫,王晖,郭躬德.基于自编码标准流的异常点检测.计算机系统应用,2024,33(3):34–42.

/1003-3254/9420.html

OutlierDetectionBasedonAutoencoderNormalizingFlow

121

ZHONG

Hai-Xin,

WANG

Hui,

GUO

Gong-De

1(College

of

Computer

and

Cyber

Security,

Fujian

Normal

University,

Fuzhou

350117,

China)

2(School

of

Electronics,

Electrical

Engineering

and

Computer

Science,

Queen’s

University

Belfast,

Belfast

BT9

5BN,

UK)

Abstract:

Detecting

outliers

is

crucial

for

practical

applications

in

large

and

high-dimensional

datasets.

Outlier

detection

is

the

process

of

identifying

data

points

that

deviate

from

the

typical

data

distribution.

This

process

primarily

involves

density

estimation.

Substantial

advancements

are

achieved

by

models

like

the

deep

autoencoder

Gaussian

mixture

model,

which

initially

reduces

dimensionality

and

subsequently

estimates

den