摘要

大多数异常检测（Anomaly Detection, AD）模型采用无监督方式仅基于正常样本进行训练，这可能导致决策边界模糊且判别能力不足。事实上，在现实应用场景中，往往存在少量已知的异常样本，这些已知异常所蕴含的有价值信息也应被有效利用。然而，在训练过程中引入少量已知异常样本可能引发新的问题：模型可能因过度依赖这些已知异常而产生偏差，从而难以泛化到未见过的异常样本。本文针对监督式异常检测问题，即利用少量可用的异常样本训练AD模型，目标是同时识别已见异常与未见异常。为此，我们提出一种新颖的显式边界引导的半推拉对比学习机制（Explicit Boundary Guided Semi-Push-Pull Contrastive Learning），该机制能够在提升模型判别能力的同时，有效缓解由已知异常带来的偏差问题。本方法基于两个核心设计：第一，我们显式地学习一个紧凑的分离边界，作为后续特征学习的引导。由于该边界仅依赖于正常样本的特征分布，因而可显著缓解因少量已知异常引入的偏差问题。第二，我们设计了一种边界引导的半推拉损失函数，该损失函数仅将正常特征向量拉近，同时将异常特征向量从分离边界向外推离至一定边界区域之外。通过这种方式，模型能够构建出更为清晰、具有强判别性的决策边界，从而更有效地将已知异常与未见异常与正常样本区分开来。相关代码将公开于：https://github.com/xcyao00/BGAD。