摘要
现有的异常检测范式大多仅依赖正常数据或未标注数据（主要为正常样本）来训练检测模型。这类方法的一个显著缺陷在于，由于缺乏对异常样本的先验知识，其在区分异常与正常样本方面能力较弱。针对这一问题，本文研究了少样本异常检测（few-shot anomaly detection）任务，旨在利用少量标注的异常样本，训练出具有高样本效率且具备强判别能力的检测模型。为解决该问题，我们提出一种新颖的弱监督异常检测框架，该框架无需假设样本涵盖所有可能的异常类别，即可训练检测模型。具体而言，所提出的方法通过结合少量标注的异常样本与先验概率分布，学习具有判别性的“正常性”（规律性）表示，同时允许异常表示具有无界偏离特性。这一目标通过端到端的异常得分优化实现，其中神经偏离学习机制被引入：正常样本的异常得分被约束为近似于从先验分布中采样的标量值，而异常样本的得分则被强制在上尾部分布中表现出统计上显著的偏离。此外，我们的模型进一步通过基于Top-K多实例学习的特征子空间偏离学习机制，优化以捕捉更精细的正常与异常特征表示，从而获得更具泛化能力的表征。在九个真实世界图像异常检测基准上的大量实验表明，所提模型在样本效率和鲁棒性方面均显著优于现有方法，在封闭集与开放集两种设置下均取得了显著更优的性能。同时，由于其基于先验驱动的异常得分学习机制，模型还具备一定的可解释性能力。相关代码与数据集已公开，获取地址为：https://git.io/DevNet。