文献来源：
Pang, Guansong, et al. "Deep learning for anomaly detection: A review." ACM Computing Surveys (CSUR) 54.2 (2021): 1-38.
主题：基于深度方法的异常检测综述
摘要：异常检测的任务类型，问题复杂度，主要挑战。总结主流方法的假设，优缺点，场景。提出未来的研究方向。
任务类别
单点检测、条件异常检测、群异常检测
问题复杂度
- 异常样本的未知性，无限可能。
- 异常类的异质问题
- 异常样本的极度不平衡
主要挑战
- 异常样本的低召回率
- 高维和非独立（概率依赖）数据
- 样本的利用效率：无监督、半监督、弱监督学习方式
- 正常样本受噪声污染情况下的鲁棒学习
- 复杂样本的检测，包括条件异常、群异常以及多源的异质异常
- 异常检测结果的解释性
深度方法对比传统方法
方法分类
-
大小类
image.png -
大类框架
image.png
方法1：深度学习仅用于特征提取
假设：深度模型提取的特征保持了样本类别间的判别信息，有助于异常样本的检测。
基本方法：特征提取与异常检测解耦且异常检测特征提取没有约束。两个方法提取特征：1）使用预训练模型。2）使用自编码器AE。
优点：1）存在大量预训练模型可用。2）深度降维特征优于线性降维特征。3）由于解耦，有大量特征提取模型和异常检测模型方便快速应用。
缺点：1）由于解耦，往往不能获得最优检测结果。2）异常检测受限于现有的预训练模型。
挑战目标：CH1，CH2
方法2 正常类的特征提取
分2类：1）使用一般方法的特征提取，即没有异常样本指导和约束情况下的特征提取。方法：AE、GAN、预测模型、自监督。2）结合常用的异常度量进行特征学习。方法：距离度量、one-class、聚类。
方法2.1.1 基于AE的通用特征提取
假设：正常样本可以更好的重构。
方法：使用AE训练，使用重构误差作为异常分数。
优点：1）不同类型的数据通用；2）有多个AE变种可用。
缺点：1）模型易受噪声影响产生偏见；2）AE针对降维和压缩等任务，没有对异常检测进行优化。
挑战：CH1，CH4
方法2.1.2 基于GAN的通用特征判别
假设：正常样本相对于异常样本更容易生成。
方法：先获得GAN的生成器G和判别器D。使用待测样本逆向计算出对应特征z。通过L(x,G(z))和D中中间层的特征提取h(G(z))计算的L(h(x),h(G(z))作为异常分数。
优点：1）GAN生成的图像更接近现实样本。2）存在大量类型的GAN可用。
缺点：1）GAN由于模式坍塌的问题难以训练。2）GAN难以解决复杂样本的生成。3）GAN任务目标与异常检测不一致，容易次优。
挑战：CH1，CH2
方法2.1.3 基于预测模型的特征判别
一般用于视频的异常检测，由前t个帧预测第t+1个帧，根据预测结果的差异性进行异常检测。
假设：正常样本在视觉维度上比异常样本更容易预测。
优点：1）有众多的时间序列技术可以结合。2）能够学习不同类型的时空依赖数据。
缺点：1）只能用于序列数据。2）计算代价高。3）目标并非异常检测，结果容易次优。
挑战：CH1，CH2，CH5
方法2.1.4 自监督学习
假设：正常样本的自监督分类结果比异常样本一致。
优点：1）能够应用在无监督和半监督场景中。2）异常评分的基础是梯度大小的一些内在特性及其更新。
缺点：1）自监督变换形式依赖于数据类型。2）结果次优，理由同上。
挑战：CH1，CH2，CH4
方法2.2.1 基于距离度量
假设：正常样本距离小
方法：在目标函数中结合距离目标对深度网络进行约束。
优点：1）理论基础研究丰富。2）结合深度网络后，工作在低维上。3）可以灵活定义学习目标和过程。
缺点：1）距离结合进学习的过程难以处理。2）距离度量在异常检测上的固有弱点。
挑战：CH1，2，3，4
方法2.2.2 One-Class方法
假设：所有正常的实例都来自一个单一的(抽象的)类，并可以被一个紧凑的模型总结出来，而异常并不符合这个模型
基本方法：深度模型提取特征，OCSVM，SVDD处理单类分类
优点：1）有理论基础支撑。2）深度模型与One-class模型联合学习更优化的特征。3）避免人工选择核函数。
缺点：1）难以有效学习复杂分布的正常数据。2）检测性能依赖于单类分类模型。
挑战： CH1，2，3
2.2.3 聚类度量
假设：正常样本更容易聚集
基本方法：通过计算待测样本与伪标签的损失，以及非聚类的损失，如重构损失等来判别异常。
优点：1）有关已有的聚类研究的支撑。2）深度模型在检测复杂样本上优于传统模型。
缺点：1）检测性能受聚类结果的限制。2）容易受噪声影响。
挑战：CH1，2，4
3 方法
端到端的方法：1）排序模型，2）先验驱动模型，3）softmax似然模型，4）端到端的单类模型。
3.1 排序模型
假设：存在一个可观察的顺序变量，它捕获一些数据异常
略
3.2 先验驱动模型
假设：赋予模型的先验能够有效捕捉到正常与异常数据的特征。
提到的文献是关于强化学习应用场景，略。
3.3 softmax似然模型
假设：正常样本更加频繁的发生。
略
3.4 端到端的one-class模型
假设：1）可以有效地合成接近异常的数据实例。2）所有正常的实例都可以用一个判别器单类模型来概括。
方法：这是一类使用GAN的判别器作为one-class的基本模型。
优点：1）端到端的方式。2）对抗技术的支撑。
缺点：1）受GAN性能的限制。2）半监督场景的限制。
挑战：CH1，2
代表算法
代码
数据集
未来研究方向
- 探索新的，更有效的异常度量信号
- 建立从有限标记异常到未知异常的检测模型，即泛化到异质的异常。
- 利用大规模的正常样本进行学习，从正常样本中迁移微调。
- 复杂异常的检测，多模态的异质异常检测。
- 异常判别的可解释性
- 新场景：OOD检测；好奇心学习；非独立同分布场景。
