两者胜过一：用于异常检测的对齐表示对

于红博

摘要: 异常检测侧重于识别偏离正常的样本。发现正常样本的信息性表示对有效检测异常至关重要。最近的自监督方法成功地通过在训练过程中利用有关异常的先验知识创建合成异常值来学习这种表示。然而，在专业领域的现实世界应用中，我们经常不知道如何预期未知数据。在这项工作中，我们通过我们的新方法Con$_2$来解决这一限制，该方法利用有关正常样本中对称性的先验知识来观察数据在不同背景下的表现。Con$_2$由两部分组成：上下文对比根据其上下文聚类表示，而内容对齐鼓励模型通过将正常样本在不同聚类中的位置对齐来捕捉语义信息。由此产生的表示空间使我们能够将异常检测为所学上下文聚类的异常值。我们在专业医学数据集上进行了广泛实验，表现优于基于自监督学习和预训练模型的竞争基线，并在自然成像基准测试中表现出竞争性能。

更新时间: 2025-09-19 12:44:16

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2405.18848v3