潜在簇分离作为终身异常检测的正则化器

arXiv:2611.03652v1 公告类型：新摘要：终身（连续）异常检测系统必须学习一系列任务，同时又不会忘记如何识别之前看到的异常类型——这种属性称为向后转移。尝试改进向后迁移的一种常见方法是围绕可学习的概念质心重塑模型的内部表示，通常结合一种根据到这些质心的距离对异常进行评分的新方法。由于这两种设计选择通常一起引入，因此尚不清楚哪一种实际上对性能提升负责。在本文中，我们将基于 VAE 的终身异常检测器中的两种机制分开，并分别研究它们。我们发现，纯粹用作训练时间正则化器（在保持异常评分不变的情况下），潜在簇分离可以提高检测质量和向后转移，尽管它是否优于替代评分方法取决于数据集的基础表示。相反，切换到基于距离的评分实际上是与此类方法相关的大多数不稳定性的根源。我们确定并解释了潜在的机制。这种好处取决于数据集的底层表示，我们将其报告为在两种设计选择之间进行选择的实用指南，而不是作为警告列表。