摘要
异常检测方法依赖于高质量的特征表示。近年来，异常检测领域尝试借助深度自监督特征学习的进展来获取更优的特征。然而，一个极具潜力的方向——使用预训练的深度特征——却在很大程度上被忽视了。本文首次通过实证研究验证了一个或许意料之中但此前未被报道的结果：将预训练特征与简单的异常检测及分割方法相结合，其性能显著优于许多结构更为复杂的当前最先进方法。为进一步提升异常检测的性能，我们对预训练特征进行了针对目标数据分布的适应性调整。尽管迁移学习方法在多分类任务中已相当成熟，但在单类分类（One-Class Classification, OCC）场景下仍缺乏充分探索。研究发现，那些在监督学习中表现良好的朴素适应方法，往往在OCC设置下导致灾难性崩溃（特征退化），从而降低整体性能。目前一种流行的OCC方法——DeepSVDD——主张采用专用网络架构，但这限制了适应过程所能带来的性能提升。为此，我们提出了两种对抗特征崩溃的方法：i）一种动态学习停止迭代次数的早停变体；ii）受持续学习启发的弹性正则化方法。所提出的PANDA方法在单类分类、异常暴露（outlier exposure）以及异常分割等任务中，均显著超越了当前最先进水平。