深度无监督异常检测

本文提出了一种在完全无监督设置下检测大规模数据集异常的新方法。该算法的核心思想是学习正常数据背后的潜在表示。为此，我们采用最新发展的适用于高维数据处理的聚类技术，从而为正常数据的选取提供一个可靠的初始依据。在此基础上，我们基于聚类结果与表示学习，迭代地构建正常候选数据子集，并训练自编码器模型。利用所学自编码器的重构误差作为评分函数，评估数据的正常程度。在多个公开基准数据集上的实验结果表明，所提出的方法在性能上优于当前最先进的无监督异常检测技术，在大多数情况下其表现可与半监督方法相媲美。