Deep SVDD深度异常检测
解释Deep SVDD(Deep Support Vector Data Description)如何用神经网络学习超球体检测异常。
回答
孤独的心
Deep SVDD (Ruff et al., 2018) 结合深度学习和单类分类，用神经网络将数据映射到特征空间中的最小超球体。
核心思想：
- 正常数据映射到特征空间后凝聚在球心附近
- 异常数据远离球心
训练损失：
L = 1/N·Σ||φ(x_i; W) - c||² + λ/2·||W||²_F
- 第一项：最小化所有样本到球心c的距离（球体积最小化）
- 第二项：权重正则化
- c：预计算（一次前向均值），训练中固定，避免网络坍缩到原点
关键设计：
- 编码器需加入偏置约束(如BN)防止特征全零
- 使用Soft-boundary变体可允许部分正常点位于球外(软边界)
- 异常得分：
s(x) = ||φ(x) - c||²，越大越异常
对比传统方法：
- 比One-Class SVM、Isolation Forest更适合高维数据（图像、序列）
- 可端到端学习特征，无需手工特征工程
- 但需要更多数据、调参复杂
应用：工业缺陷检测、医疗异常诊断、网络入侵检测。