[发明专利]一种基于竞争重构学习的半监督异常检测方法

摘要

本发明属于机器学习技术领域，具体为一种基于竞争重构学习的半监督异常检测方法。本发明设计两个解码器对样本数据进行竞争重构，它们共享一个编码器以使得数据映射到同一个子空间中，在正样本的标签信息的辅助下，正样本解码器会对正样本有更小的重构误差，而负样本（异常数据）解码器对负样本的重构误差会更小。本发明方法框架简单、使用方便、可扩展性强、可解释性强，在七个主流异常检测数据集进行了实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。

主权项

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；主要功能是将数据从原始特征空间映射到低维子空间，通过一些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。