简介
Deep autoencoding gaussian mixture model for unsupervised anomaly detection.ICLR-2018,cited-140.
unofficial,pytorch,star-163.
unofficial,pytorch,star-28.
关键字
VAE，Gaussian mixture，Anomaly detection，Unsupervised
正文
1. 模型
任务：无监督检测异常点，使用VAE+GMM为基本框架，直接使用重构误差和隐变量特征来学习混合高斯参数，根据学习到的结果预测异常点。如图（原文Fig2）所示，有两个子结构，左边是VAE，右边是GMM，注意GMM的输入由特征+重构误差结合而来。
image.png
2. 目标函数
按照上方的思路和模型首先得有个重构损失，接下来希望样本能够明确属于混合高斯的某个成分，目标函数如下：
image.png
这里面的第1项是重构损失，使用，第2项是希望样本明确属于某个成分，即越接近某个成分的均值越好，也可以认为是属于某个成分的概率越高越好，计算方法如下，思路大致是各类概率的期望，类似交叉熵的负对数损失：
image.png
其中，类比例，类均值，类方差的计算分别如下：
image.png
实验在KDDCUP，Thyroid，Arrhythmia，KDDCUP-Rev上完成，不太熟悉，略过。
参考资料
[1] Zong, Bo, et al. "Deep autoencoding gaussian mixture model for unsupervised anomaly detection." (2018).
