摘要

半监督异常检测旨在利用仅包含正常样本的训练数据，训练模型以识别异常样本。随着深度学习技术的快速发展，研究人员已设计出一系列高效的深度异常检测方法。现有方法通常采用神经网络将数据映射到更具信息量的表示空间，随后在该空间中应用异常检测算法。本文提出一种新方法——DASVDD，该方法在训练过程中联合优化自编码器的参数，同时最小化其潜在表示空间中包围所有正常数据的超球体的体积。我们引入了一种新的异常得分机制，该得分由自编码器的重建误差与潜在表示中数据点到超球体中心的距离共同构成。通过最小化该异常得分，模型能够在训练过程中更好地学习正常类别的潜在分布。由于异常得分中包含了重建误差项，DASVDD能够有效避免传统方法中常见的“超球体坍缩”问题，即模型不会退化为将所有输入映射到潜在空间中单一常数点的平凡解。在多个基准数据集上的实验结果表明，所提出的DASVDD方法在性能上优于当前广泛使用的主流异常检测算法，且在不同类型的异常类别上均表现出良好的鲁棒性。