摘要
基于重构的异常检测方法在处理具有高类间差异性的复杂数据集时往往表现不佳。类似于迁移学习中自教学习（self-taught learning）的思想，许多领域中都存在大量相似的未标注数据集，这些数据可被用作分布外样本（out-of-distribution samples）的代理。本文提出一种称为隐空间无关自编码器（Latent-Insensitive Autoencoder, LIS-AE）的新方法，该方法利用来自相似领域的未标注数据作为负样本，对常规自编码器的隐层（瓶颈层）进行约束，使其仅能有效重构特定任务的数据。我们为所提出的训练流程与损失函数提供了理论依据，并通过详尽的消融实验，揭示了模型中关键组件的重要性。我们在多种异常检测场景下对模型进行了测试，实验结果包含定量与定性分析，充分展示了该模型在异常检测任务中显著的性能提升。