基于宽度自编码网络的单分类集成算法

作     者：施一帆 陈宇昂 曾焕强 杨楷翔 SHI Yifan;CHEN Yu’ang;ZENG Huanqiang;YANG Kaixiang

作者机构：华侨大学工学院福建泉州362021 华南理工大学计算机科学与工程学院广东广州510006 计算机软件新技术国家重点实验室江苏南京210023 

基　　金：厦门市自然科学基金项目(3502Z20227028) 国家自然科学基金项目(62306122,62106224) 福建省自然科学基金项目(2022J05065) 广州市基础与应用基础研究项目(2024A04J3749) 南京大学计算机软件新技术国家重点实验室资助项目(KFKT2022B11) 

出 版 物：《信号处理》 (Journal of Signal Processing)

年 卷 期：2024年第40卷第4期

页      码：776-788页

摘      要：异常检测是模式识别领域的经典研究,然而在极端类别不平衡场景下,异常样本匮乏,训练数据仅包含正常样本,传统异常检测方法难以适用。因此,单分类算法逐渐受到关注,它只使用目标类样本构建决策边界,实现对非目标类样本的识别。目前单分类算法已经取得了显著进展,然而也存在一些局限性:(1)原始特征空间容易受噪声特征干扰;(2)单模型的单分类算法难以从多个特征空间学习更全面的决策边界;(3)缺少对先前模型的欠拟合样本进行针对性学习。为了解决这些问题,本文提出了基于宽度自编码网络的单分类集成算法(Ensemble One-class Classification Based on BLS-Autoencoder,EOC-BLSAE)。首先,本文设计了一种单分类宽度自编码网络模型(One-class BLS-Autoencoder,OC-BLSAE),它能高效学习原始特征空间到重构特征空间的非线性映射关系,利用重构误差构建决策边界;接着,本文设计了单分类Boosting策略,通过最小化全局重构损失,迭代学习欠拟合样本,从而多角度构建OC-BLSAE模型,并自适应评估模型的可靠性;最终,加权集成多个OC-BLSAE模型,有效提升整体算法准确性和鲁棒性。在实验中,本文在16个不同规模的单分类任务上进行参数实验、对比实验和消融实验,结果表明所提算法参数选择较为灵活,算法各模块能够相互协同,有效提升单分类任务的准确性和鲁棒性,整体性能超过前沿单分类方法。

主 题 词：单分类 异常检测 宽度学习系统 集成学习 

学科分类：1305[艺术学-设计学类] 13[艺术学] 08[工学] 081104[081104] 0804[工学-材料学] 081101[081101] 0811[工学-水利类] 

核心收录：

D　O　I：10.16798/j.issn.1003-0530.2024.04.015

馆 藏 号：203127776...