基于自编码器的异常检测方法研究综述.docVIP

基于自编码器的异常检测方法研究综述

一、自编码器基础架构与异常检测核心原理

自编码器作为无监督学习的代表性模型，其核心架构由编码器、隐空间和解码器三部分构成。编码器负责将高维输入数据映射到低维隐空间表征，解码器则通过隐空间表征重构原始输入，模型训练目标为最小化输入与重构输出之间的重构误差。在异常检测场景中，该架构的核心假设为：正常样本在训练集中占绝对多数，模型能够学习到正常样本的内在分布模式，因此对正常样本的重构误差较低；而异常样本与正常分布存在显著差异，模型无法有效拟合其特征，最终表现为重构误差高于预设阈值，从而被识别为异常。

传统vanilla自编码器是该领域的基础架构，但其存在对输入特征线性依赖较强、隐空间表征容易过拟合等问题。为解决上述缺陷，研究人员逐步引入正则化机制：稀疏自编码器通过在损失函数中加入稀疏性约束，强制隐层神经元大部分时间处于抑制状态，从而迫使模型学习到更具判别性的局部特征；降噪自编码器在训练阶段向输入数据注入随机噪声，要求模型重构出无噪声的原始输入，这一过程提升了模型的鲁棒性，使其能够更好地抵抗数据中的随机扰动，避免对正常样本的微小波动产生误判；变分自编码器则不再将输入映射为固定的隐空间向量，而是假设隐空间表征服从特定的先验分布（通常为多元高斯分布），通过最大化证据下界（ELBO）实现对数据分布的建模，该特性使得变分自编码器不仅能通过重构误差识别异常，还