基于知识数据对齐的弱监督异常检测
内容提要
本文综述弱监督异常检测，将其划分为三种弱监督设置和四种数据模态，给出形式化定义、关键算法与未来方向，并开展实验、发布源码及数据收集。相关研究提出弱监督异常定位、ALWOD框架、半监督标记策略和时空异常检测等方法，在交通、监控、医学影像等任务上提升了检测性能。
延伸解读
弱监督异常检测的范畴与分类
文章将弱监督异常检测划分为三种弱监督设置和四种数据模态，并针对每种设置给出形式化定义、关键算法和未来方向。这种分类有助于研究者系统理解不同弱监督程度下的问题定义和方法差异，为后续研究提供清晰的框架。
跨领域应用与性能提升
弱监督异常检测方法在交通、监控、医学影像等任务上提升了检测性能。例如，交通异常数据集TAD的构建和弱监督异常定位方法在基准测试中达到最佳性能；医学成像中利用无监督方法识别与正常基准不匹配的特征，并以帕金森病脑部扫描为例验证。这些应用表明弱监督方法能有效应对标注数据稀缺的挑战。
降低标注成本的技术路径
ALWOD框架结合主动学习、弱监督和半监督学习，通过学生-教师检测对的不一致性和不确定性选择最有信息量的图像进行标注，并引入人工修正标注任务，显著缩小了部分标记训练与全标记训练模型的差距。类似地，基于理论条件的数据标记策略和半监督学习框架能在标记预算约束下实现最优数据覆盖，减少标注量并提高检测精度。
资源与未来方向
作者发布了源代码以及弱监督异常检测方法和数据的收集，为后续研究提供了可复现的基准和资源。文章还指出了潜在未来方向，但未具体展开。这些资源有助于推动该领域的标准化比较和进一步发展。
Q&A
弱监督异常检测有哪些主要设置和数据模态？
弱监督异常检测被分为三种弱监督设置和四种数据模态，针对每种设置提供了形式化定义、关键算法和潜在未来方向。
ALWOD框架是如何工作的？
ALWOD综合使用主动学习、弱监督学习和半监督学习范式，通过利用极小标记集合和大型弱标记图像集合的辅助图像生成策略来初始化模型，利用学生-教师目标检测对的不一致性和不确定性来选择最有信息量的图像进行注释，并引入新的标注任务，基于模型提出的检测进行人工标记的选择和修正，实现快速有效的标注过程。
弱监督异常定位方法如何提升检测性能？
该方法利用高阶上下文编码模型提取语义表示，度量动态变化并有效利用时间上下文，通过聚合动态变量和立即语义来获取最终的异常分数，并通过增强策略处理噪声干扰和定位指导缺失，在常见基准测试集中实现了最新的最佳性能。
半监督标记策略如何优化数据标记预算？
基于理论条件的数据标记策略和新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。
弱监督时空异常检测任务是什么？
弱监督时空异常检测是针对监控视频的异常情况进行定位的新任务，提出双分支网络方法，能够在时空域中使用多粒度的proposals进行关系推理，以捕捉目标行为的丰富上下文信息和复杂实体关系。
医学成像中的异常检测有哪些挑战和解决方案？
医学成像中的异常检测具有挑战性，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并介绍了一个在线方法来解决大数据量下的内存使用问题，以帕金森病患者脑部扫描的异常检测为例进行了验证。
