CN114330572B 基于对比学习的异常检测方法、系统及计算机存储介质 （哈尔滨工业大学（深圳））

本发明提出了一种基于对比学习的异常检生活中的数据集异常检测上相比其他方法有较2异常检测阶段：将待检测样本集中的样本输入训练好的异常检测模特征提取编码器模块包括两个线性全连接网络和编码器，输入样本经编码器输出后，所述输入样本和待检测样本为文本数据或图样本对应的特征向量组成正样本对，将正常样本和异常样本对应的特征向量组成负样本iizziizf(Anoscore)为待检测样本集中最小的异常得分，max(Anoscore)为待检测样本集中最大的异常检测模型训练单元，用于对异常检测模型进行训练，异常3异常检测单元，用于对待检测样本集中的样本进行异常检测本输入训练好的异常检测模型，将特征提取编码器模块得到的特征向量输入判别器模块，特征提取编码器模块包括两个线性全连接网络和编码器，输入样本经编码器输出后，所述输入样本和待检测样本为文本数据或图所述存储器中存储有计算机可执行程序，当由所述处理器执行所述计算机可执行程序时，执行权利要求1-4中任一项所述的基于对比学习的异器执行时实现如权利要求1-4中任一项所述的基于对比学4[0001]本发明涉及异常检测技术领域，特别是涉及一种基于对比学习的异常检测方法、[0005](3)传感器异常：工厂传感器产生的不正常数据可能表示系统的某部分出现了故发射断层扫描或心电图(ECG)等各种数据，这些数据中的不寻常的模式通常反映了疾病状5[0011]异常检测模型训练阶段：异常检测模型包括特征提取编取编码器模块得到的特征向量输入判别器模块，将判别器模块输出的判别结果进行计算，[0016]进一步的，判别器模块中将正常样本和正常样本对应的nor表示正常样本对应的编码器输出向量，fano表示异常样本对应的编码器输出i)[0021]其中min(Anoscore)为待检测样本6[0029]图1是本发明实施例的基于对比学习的异常检测方法中异常检测模型训练流程7∈Z表示某一特征向量；j(x)表示x的分布，p(z|x)表示x所对应的特征向量分布；p(a)=就是要最大化p(zlx)p(x)与p(a)p(x)之间的KL散度。除此之外，还需要约束特征向量所在新样本的处理能力。因此本发明引入一个标准正态分布的先验分布p(z)，并[0040]如图1所示，为本发明实施例的基于对比学习的异常检测方法中异常检测模型训8[0043]具体实施过程中，特征提取编码器模块将输入样本x映射为包含重要信息的潜在器的输出f分别计算其均值μ和方差σ,然后为其添加随机噪声，将f转换为最终z。因此相应的KL散度约束可以转换为如下公式lossKL，其中M为正常样本对应的特征向量μnor_i和σnor_i为特征向量znor_i对应的均值和方差。率设置为0；判别网络Dzz中正样本对(znonornor9[0054]进一步的，根据正负样本对输入到判别网络之后对应的判别器计算出相应的概[0057]本实施例用于在实施例1训练好的异常检测模型基础上提供了异常检测阶段的具i)[0063]通过设定阈值tp,只要Anoscore;>p,就认为该样本是异常的，优选的，0.5<p<1.块用于提取输入样本的特征向量，判别器用于对特征提取模块输出的特征向量进行判别，[0067]一种基于对比学习的异常检测系统100的具体工作过程参照上述基于对比学习的[0071]本发明实施例也可以被实现为计算机可读存储介质。根据实施例5的计算机可读照以上附图描述的根据本发明实施例1和实施2的基于对比学习基于对比学习的异常检测方法在整体上表现优异：1)在13/15个数据集上获得了最高的提出的方法平均得分是最高的，并且相比其他对比算法中最高的平均值有接近8.5％的性[0074]表一本发明提出方法O