Latent Anomaly Detection Through Density Matrices

要約

この論文では、密度推定ベースの異常検出手法の堅牢な統計原理と深層学習モデルの表現学習機能を組み合わせた、新しい異常検出フレームワークを紹介します。
このフレームワークに由来する方法は、2 つの異なるバージョンで提示されます。1 つは適応フーリエ特徴と密度行列に基づく密度推定モデルを使用する浅いアプローチ、もう 1 つはデータの低次元表現を学習するためにオートエンコーダーを統合する深いアプローチです。
新しいサンプルの密度を推定することにより、どちらの方法でも正規性スコアを見つけることができます。
これらのメソッドはエンドツーエンドのアーキテクチャにシームレスに統合でき、勾配ベースの最適化手法を使用して最適化できます。
パフォーマンスを評価するために、さまざまなベンチマーク データセットに対して広範な実験が行われました。
結果は、他の最先端の方法と比較した場合、両方のバージョンの方法が同等またはそれ以上のパフォーマンスを達成できることを示しています。
特に、浅いアプローチは次元が少ないデータセットではパフォーマンスが向上しますが、オートエンコーダーベースのアプローチは次元が高いデータセットではパフォーマンスが向上します。

要約(オリジナル)

This paper introduces a novel anomaly detection framework that combines the robust statistical principles of density-estimation-based anomaly detection methods with the representation-learning capabilities of deep learning models. The method originated from this framework is presented in two different versions: a shallow approach employing a density-estimation model based on adaptive Fourier features and density matrices, and a deep approach that integrates an autoencoder to learn a low-dimensional representation of the data. By estimating the density of new samples, both methods are able to find normality scores. The methods can be seamlessly integrated into an end-to-end architecture and optimized using gradient-based optimization techniques. To evaluate their performance, extensive experiments were conducted on various benchmark datasets. The results demonstrate that both versions of the method can achieve comparable or superior performance when compared to other state-of-the-art methods. Notably, the shallow approach performs better on datasets with fewer dimensions, while the autoencoder-based approach shows improved performance on datasets with higher dimensions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google