摘要
我们提出了一种用于深度单类分类的两阶段框架。首先，从单类数据中学习自监督表示，随后在所学表示基础上构建单类分类器。该框架不仅能够学习到更优的表示，还支持构建与目标任务高度一致的单类分类器。我们认为，基于生成模型或判别模型统计视角设计的分类器，相较于现有方法（如通过代理分类器获得的正常性得分）更具有效性。我们在所提出的框架下，对多种自监督表示学习算法进行了全面评估，以验证其在单类分类任务中的表现。此外，我们提出了一种新颖的分布增强对比学习方法，通过数据增强扩展训练分布，从而打破对比表示的均匀性。在实验中，我们在视觉领域的单类分类基准任务上取得了当前最优性能，涵盖新奇样本检测与异常检测任务。最后，我们提供了可视化解释，证实深度单类分类器的决策过程对人类而言具有直观可解释性。代码已开源，地址为：https://github.com/google-research/deep_representation_one_class。