2018ICLR会议论文：无监督异常检测的深度自编码高斯混合模型DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISE

用于无监督异常检测的深度自编码器高斯混合模型

DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION

摘要

1 INTRODUCTION

2 RELATED WORK

3 DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL

3.1 OVERVIEW

3.2 COMPRESSION NETWORK

3.3 ESTIMATION NETWORK

其中ˆγ 是用于软混合成分隶属度预测的K维向量。P是由参数化的多层网络的输出。给定一批N个样本即其隶属度预测，∀1 ≤ k ≤ K，我们可以进一步估计GMM中的参数如下：

有了预测参数，样本能量函数进一步推断出来：

3.4 OBJECTIVE FUNCTION

给定N个样本数据集，指导DAGMM训练的目标函数构造如下：

3.5 RELATION TO VARIATIONAL INFERENCE

3.6 TRAINING STRATEGY