🔥 今日值得一读
Deep SVDD异常检测终于有统计保证了！假阳性率可严格控制在0.05以下
Post-Anomaly Detection Inference for Deep SVDD
👨💼 主理人解读 · 为什么值得关注
为Deep SVDD异常检测加上统计保证，开发者可在安全关键场景严格控制误报率。
📖 AI 总结
本文针对深度支持向量数据描述（Deep SVDD）在无监督异常检测中缺乏统计保障的问题展开研究。Deep SVDD虽能有效刻画正常数据的潜在表示，但其异常判定仅依赖异常分数，未提供严格的统计推断，限制了其在安全关键场景中的可靠性。为此，作者提出PADI框架，借助选择性推断（Selective Inference）为已训练并冻结的Deep SVDD检测器赋予统计有效的推断能力。PADI在测试样本被判定为异常的条件下进行推断，推导出有效的选择性p值以量化异常的统计显著性，并从理论上证明可在用户指定的显著性水平下控制假阳性率。该框架进一步扩展至深度半监督异常检测（Deep SAD）。在合成与真实基准数据集上的大量实验验证了理论结论，表明PADI在实现恰当假阳性率控制的同时，取得了优于现有方法的真阳性率。
🔑 关键词速览
| Deep SVDD | 深度支持向量数据描述，一种无监督异常检测方法，通过神经网络学习将正常数据紧凑地映射到潜在空间中的一个中心周围。 |
| PADI | Post-Anomaly Detection Inference，本文提出的框架，为已训练的 Deep SVDD 检测器提供统计上有效的异常判定推断。 |
| Selective Inference | 选择性推断，一种在数据驱动选择事件条件下进行有效统计推断的框架，用于控制选择后的错误率。 |
| False Positive Rate (FPR) | 假阳性率，将正常样本错误判定为异常的比例，是异常检测中关键的性能指标。 |
| Deep SAD | 深度半监督异常检测，Deep SVDD 的半监督扩展，利用少量标记异常样本提升检测性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅