深度异常检测中Deep SAD算法
解释Deep SAD(Deep Semi-Supervised Anomaly Detection)如何在Deep SVDD基础上利用少量异常标签。
回答
苦行僧
Deep SAD (Ruff et al., 2020) 是Deep SVDD的半监督扩展，利用少量已知异常样本提升检测效果。
核心思想：
- 正常数据映射到特征空间中的超球体中心附近
- 已知异常数据被推远（远离球心）
- 无标签数据依据其距离球的远近参与训练
损失函数：
L = 1/N·Σ L(x_i)
- 正常标签(y=0)：
L(x) = ||φ(x) - c||²（靠近球心） - 异常标签(y=1)：
L(x) = (||φ(x) - c||² + ε)^(-1)或max(0, m - ||φ(x) - c||²)（推远） - 无标签(y=-1)：
L(x) = 1/η·||φ(x) - c||²（减弱约束，默认η=1）
关键改进：
- 利用少量(1-10%)已知异常就能显著提升AUC
- 融入自编码器重构损失防止特征失效
- 对异常类数量不敏感
与Deep SVDD对比： | 特性 | Deep SVDD | Deep SAD | |------|-----------|----------| | 使用标签 | 无(完全无监督) | 少量异常标签 | | 异常处理 | 被动远离球心 | 主动推远 | | 性能(少量标签) | 基准 | +15-20% AUC | | 鲁棒性 | 对异常比例敏感 | 更鲁棒 |
应用：工业质检（少量标注缺陷）、金融欺诈检测（少量确认欺诈）、网络入侵检测。