Nuovo metodo mitiga il compromesso tra ricostruzione e rilevamento nell'anomaly detection con VAE
Uno studio recente evidenzia un compromesso nei modelli β-VAE utilizzati per l'anomaly detection non supervisionata, bilanciando la qualità della ricostruzione con l'efficacia del rilevamento delle anomalie. Mentre i modelli con spazi latenti ristretti ottengono metriche di rilevamento migliori, tendono a sacrificare la qualità della ricostruzione. La variabilità delle prestazioni tra diversi seed casuali è associata al divario tra le distribuzioni latenti dei dati normali e anomali. Per affrontare questo compromesso, vengono introdotte due strategie: beta-scheduling e Sparse VAE, con quest'ultimo che dimostra capacità di rilevamento migliorate preservando una qualità di ricostruzione superiore.
Fatti principali
- Gli autoencoder variazionali sono ampiamente utilizzati per l'anomaly detection non supervisionata.
- Gli iperparametri sono spesso scelti per minimizzare l'errore di ricostruzione sui campioni normali.
- Esiste un compromesso tra qualità della ricostruzione e rilevamento delle anomalie tra i modelli β-VAE.
- I modelli con spazio latente vincolato raggiungono metriche di rilevamento più elevate ma una qualità di ricostruzione inferiore.
- La variabilità delle prestazioni tra seed casuali è legata alla distanza tra le distribuzioni latenti normali e anomale.
- Due metodi mitigano il compromesso: beta-scheduling e Sparse VAE.
- Sparse VAE mostra un miglioramento nel rilevamento mantenendo un'alta qualità di ricostruzione.
- L'articolo è pubblicato su arXiv sotto Computer Science > Machine Learning.
Entità
Istituzioni
- arXiv