摘要
根据Hawkins对异常点的定义：异常数据与大多数观测数据有着明显的差异，以致怀疑它是由不同机制产生的样本数据。异常检测的宗旨是通过数据挖掘的方法发现有别于大规模数据中的异常点，并找到异常点背后所蕴含的有价值的知识。异常检测的应用范围广泛，包括但不限于欺诈检测、入侵检测、环境卫生、图像处理、医疗处理、视频网络监控、轨迹异常检测等领域。然而在当前的大数据环境下，传统的异常检测模型面临着高维数据稀疏性强、海量数据计算速度慢、不同场景下异常定义难等问题，许多学者开始把异常检测研究的重点转向近些年发展火热的深度学习。基于以上背景，针对传统方法的局限性以及深度学习模型的一些不足之处，本文提出两个改进的深度异常检测方法。论文的主要工作内容如下： (1)提出基于改进对抗自编码器和集成学习的异常检测模型 首先对传统的对抗自编码器进行改进，加入鉴别器来优化对抗自编码器。其次对潜在向量进行加权融合，使其更具有代表性。最后我们利用集成学习中的AdaBoost算法将多个决策树进行组合成为强分类器。实验部分我们在MNIST和CIFAR-10两个图片数据集上进行异常检测验证，通过与当下主流的异常检测方法的对比实验表明，我们提出的模型更有优势。 (2)提出基于共享自编码器的异常检测模型 首先对自编码器进行改进，加入额外的编码器来形成编码解码再编码结构，并使得两个解码器共享两个编码器。其次提出了一种与模型搭配的二阶段训练方式，结合了重构训练和对抗训练的优点，同时避免了生成对抗网络和自编码器的缺点。最后我们在实验部分仍然采用MNIST和CIFAR-10两个图片数据集来进行异常检测的验证，与上个模型以及最新的异常检测模型对比，不仅效果很好而且时间效率较高。 最后对论文进行了总结和展望。
NETL