Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly D

背景和問題：用autoencoder來檢測異常主要是通過在正常數據上進行訓練，然後用真實的數據來測試。這樣做是基於假設：在正常數據中訓練後得到模型，然後將異常數據輸入模型，異常數據會出現較大的重建誤差而不能重建，正常數據重建誤差小可以得到重建數據。作者發現在現實情況中，有些異常的組成非常像正常數據，甚至有些異常輸入模型後重建誤差並不特別大，這樣異常就得到了重建。因此如何解決這一問題呢？ 方法：在e

>>阅读原文<<