Deep Anomaly Detection with Deviation Networks 论文笔记
问题描述
论文利用少部分有标签的异常点来学习出所有节点的异常得分。假设训练集有N+K个，其中N个是没有标签的节点，K个是有标签的异常节点。需要注意的是：K的值要远小于N，以及N中也包含了一部分异常点。
算法框架
算法提出的框架主要由三个部分组成：
1、一个简单的神经网络。输入节点x的特征，可以得到每个节点的异常得分。
2、根据先验概率F选取l个正常点，从这些正常点的得分中计算出均值和标准差。
3、定义损失函数来优化1中的神经网络。损失函数如下：
如果x是异常点，则y=1；x是正常点，则y=0
这个损失函数的目的是希望正常点的分数尽可能接近2中的均值，而异常点的分数尽可能使得dev(x)>a。
伪代码
其中第4行：来自K的节点被视为正常点来处理
总结&个人计划
感觉就是一个普通的神经网络诶…可惜没用到节点与节点之间的关系，单单用了节点的特征。如果说错了希望大佬们指出来>o<
这两天一直在看室友推荐的日剧，不能再堕落下去了！
明天的计划：
1、leetcode上刷两道题
2、学两小时日语
3、做毕设实验，主要是解决内存不够的问题。