OCSVM引导的无监督异常检测表示学习方法

无监督异常检测（UAD）旨在无需标注数据的情况下检测异常，这在异常样本稀少或不可得的机器学习应用中至关重要。当前最先进的方法主要分为两类：基于重构的方法（往往过度重构异常）以及与密度估计器解耦的表示学习方法（可能受限于次优特征空间）。尽管近期有些方法尝试耦合特征学习与异常检测，但它们通常依赖代理目标、限制核选择或引入近似，从而限制了表达能力和鲁棒性。

为解决这一挑战，本文提出了一种新方法，通过自定义损失公式将表示学习与可解析的单类支持向量机（OCSVM）紧密耦合，直接对齐潜在特征与OCSVM决策边界。该模型在两个任务上进行了评估：基于MNIST-C的新基准和具有挑战性的脑部MRI细微病变检测任务。与大多数专注于图像级别大范围高信号病变的方法不同，本方法成功针对小而非高信号的病变，同时评估体素级指标，解决了更临床相关的场景。两项实验均评估了对域偏移的鲁棒性，包括MNIST-C中的损坏类型以及MRI中的扫描仪/年龄变化。结果证明了所提出模型的性能和鲁棒性，突显了其在通用UAD和现实医学成像应用中的潜力。

源代码可通过此链接获取：https://github.com/xxx （链接已替换为通用格式）