DASVDD: Deep Autoencoding Support Vector Data Descriptor für die Anomalieerkennung

Semi-supervised Anomalieerkennung zielt darauf ab, Anomalien anhand normaler Beispiele mit einem Modell zu detektieren, das ausschließlich auf normalen Daten trainiert wurde. Durch jüngste Fortschritte im Bereich des tiefen Lernens haben Forscher effiziente Methoden für tiefe Anomalieerkennung entwickelt. In bestehenden Ansätzen werden häufig neuronale Netze eingesetzt, um die Daten in eine informativere Darstellung abzubilden, gefolgt von der Anwendung eines Anomalieerkennungsalgorithmus. In diesem Paper stellen wir eine Methode namens DASVDD vor, die gleichzeitig die Parameter eines Autoencoders lernt und das Volumen einer umschließenden Hyperkugel auf der latenten Darstellung minimiert. Wir schlagen einen Anomalie-Score vor, der eine Kombination aus der Rekonstruktionsfehler des Autoencoders und dem Abstand vom Zentrum der umschließenden Hyperkugel in der latenten Darstellung darstellt. Die Minimierung dieses Anomalie-Scores unterstützt uns dabei, die zugrundeliegende Verteilung der Normal-Klasse während des Trainings zu lernen. Die Einbeziehung des Rekonstruktionsfehlers im Anomalie-Score verhindert, dass DASVDD unter dem häufigen Problem der Hyperkugel-Kollaps leidet, da das DASVDD-Modell nicht zu der triviale Lösung konvergiert, bei der alle Eingaben auf einen konstanten Punkt in der latenten Darstellung abgebildet werden. Experimentelle Evaluierungen auf mehreren Benchmark-Datensätzen zeigen, dass die vorgeschlagene Methode die üblicherweise verwendeten state-of-the-art-Algorithmen für Anomalieerkennung übertrifft und gleichzeitig eine robuste Leistung über verschiedene Anomalie-Klassen hinweg aufweist.