[发明专利]一种基于竞争重构学习的半监督异常检测方法

权利要求书

1.一种基于竞争重构学习的半监督异常检测方法，异常检测问题描述如下：假设已知有m个正样本，n个未标注的样本，需要对未标注样本进行分类，检测出异常数据；其特征在于，

首先，构建一个编码器、两个解码器；通过两个解码器对数据重构进行竞争学习，使得正样本解码器对于正样本的重构效果要比负样本解码器好，同样地负样本解码器对于异常数据的重构效果要比正样本解码器好，整个学习的过程中标签动态分配，至学习收敛，即得到正负样本的标注；其中：

（1）所述编码器，由多层神经网络组成，为全连接网络、卷积神经网络或循环神经网络；功能是将数据从原始特征空间映射到低维子空间，通过正则化的手段将正负样本进行一定程度的分离；同时，正负样本共享同一个编码器；

（2）所述正样本解码器，同样由多层神经网络组成，为全连接网络、卷积神经网络或循环神经网络；用于将样本从低维特征空间重构回原始特征空间；正样本解码器的输出维度与样本数据本身维度一致；编码器与解码器的网络结构是对称的；

（3）所述负样本解码器，与正样本解码器类似，其结构与正样本解码器相同，或者不同，根据对数据的先验知识进行选择；

算法具体步骤如下：

步骤1，将已知的训练数据集中正样本与待标注的未标注测试样本进行混合，并进行数据预处理；

步骤2，将所有样本打乱顺序，每次取一批样本输入到编码器中进行编码；

步骤3，对于编码后的样本，所有已知训练数据的正样本分配到正样本解码器中进行解码，对于未标注样本，根据两个解码器的重构误差进行选择分配；其中重构误差定义如下：

模型的竞争学习优化目标函数如下：

其中，

为第j个样本的预测标签；为正样本，为未标注样本；为正样本解码器重构结果；为负样本解码器重构结果；为正样本解码器，为负样本解码器；

步骤4，计算优化目标函数关于模型参数的导数，并进行反向传播更新参数；参数更新的优化算法为随机梯度下降（SGD）算法；

步骤5，重复步骤2、步骤3和步骤4，直到训练收敛；最终得到的y中，如果，对应的那些就是异常数据。

2.根据权利要求1所述的基于竞争重构学习的半监督异常检测方法，其特征在于，步骤1中所述的数据预处理，包括高维数据分辨率较高的图像使用预训练的卷积神经网络模型VggNet或ResNet进行特征提取，提取这些网络的全连接的前一层的特征，并进行数据标准化处理，减均值除标准差。

3. 根据权利要求1所述的基于竞争重构学习的半监督异常检测方法，其特征在于，所述的 编码器和解码器，根据不同的数据时空结构选择不同的网络类型：如果数据是属性是一维的，则使用全连接网络；如果数据具有二维空间结构并且属性之间是局部相关的，则选择卷积神经网络；如果数据是时序的，且前后时间节点相关，则选择循环神经网络。