通过条件潜在空间 VAE 集成改进异常检测
Improved Anomaly Detection through Conditional Latent Space VAE Ensembles
AI总结：
提出条件潜在空间变分自编码器（CL-VAE），通过为每个类别拟合独特先验分布并集成潜在空间，显著提升了异常检测准确率，在 MNIST 上 AUC 达 97.4%。
摘要：
我们提出了一种新颖的条件潜在空间变分自编码器（CL-VAE），用于在具有已知内点类和未知外点类的数据上执行改进的异常检测预处理。所提出的变分自编码器（VAE）通过以数据内的信息为条件，改善了潜在空间的分离。该方法为数据集中的每个类别拟合一个独特的先验分布，有效地将 VAE 的经典先验分布扩展为包含高斯混合模型。这些 VAE 的集成在潜在空间中合并以形成组共识，从而极大地提高了跨数据集异常检测的准确率。我们的方法在异常检测的 AUC 方面与典型 VAE、CNN 和 PCA 的能力进行了比较。所提出的模型显示出异常检测准确率的提升，在 MNIST 数据集上实现了 97.4% 的 AUC，而次优模型为 95.7%。此外，CL-VAE 展示了从集成中获得的更多益处、更具可解释性的潜在空间，以及在有限模型大小下学习复杂数据中模式的增强能力。
英文摘要：
We propose a novel Conditional Latent space Variational Autoencoder (CL-VAE) to perform improved pre-processing for anomaly detection on data with known inlier classes and unknown outlier classes. This proposed variational autoencoder (VAE) improves latent space separation by conditioning on information within the data. The method fits a unique prior distribution to each class in the dataset, effectively expanding the classic prior distribution for VAEs to include a Gaussian mixture model. An ensemble of these VAEs are merged in the latent spaces to form a group consensus that greatly improves the accuracy of anomaly detection across data sets. Our approach is compared against the capabilities of a typical VAE, a CNN, and a PCA, with regards AUC for anomaly detection. The proposed model shows increased accuracy in anomaly detection, achieving an AUC of 97.4% on the MNIST dataset compared to 95.7% for the second best model. In addition, the CL-VAE shows increased benefits from ensembling, a more interpretable latent space, and an increased ability to learn patterns in complex data with limited model sizes.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
