摘要

异常检测（Novelty Detection），即判断给定样本是否来自训练数据分布之外，对于实现可靠的机器学习至关重要。为此，研究者们提出了多种方法，旨在学习适用于异常检测的表示，并基于此类表示设计相应的检测评分。本文提出了一种简单而有效的新型方法——对比位移样本（Contrasting Shifted Instances, CSI），该方法受到视觉表示对比学习近期成功应用的启发。具体而言，与传统对比学习仅将样本与其它实例进行对比不同，我们的训练策略额外引入了对样本自身分布位移增强版本的对比。基于这一训练机制，我们进一步设计了一种专为该方法量身定制的新型检测评分。实验结果表明，无论在无标签单类、无标签多类还是有标签多类等不同异常检测场景下，所提方法在多个图像基准数据集上均展现出显著优势。相关代码与预训练模型已开源，地址为：https://github.com/alinlab/CSI。