【KDD2021】ELITE:基于元梯度的鲁棒深度异常检测

深度学习技术已广泛应用于从复杂数据中检测异常。由于缺乏大量标记异常，这些技术大多是无监督或半监督的。然而，他们通常依靠一个没有被异常污染的干净的训练数据来学习正态数据的分布。否则，学习的分布往往会被扭曲，因此在区分正常和异常数据时无效。为了解决这个问题，我们提出了一种叫做ELITE的新方法，它使用少量标记的例子来推断隐藏在训练样本中的异常。然后，它将这些异常转化为有用的信号，帮助从用户数据中更好地检测异常。与经典的半监督分类策略(使用标记样本作为训练数据)不同，ELITE使用标记样本作为验证集。它利用验证损失的梯度来预测一个训练样本是否异常。直觉上，正确识别隐藏异常可以产生更好的深度异常模型，减少验证损失。我们在公共基准数据集上的实验表明，ELITE在ROC AUC方面比最先进的方法提高了30%，但对受污染的训练数据仍具有鲁棒性。

https://dl.acm.org/doi/abs/10.1145/3447548.3467320