Глубокие порождающие модели для поиска аномалийDeep generative models for anomaly detection

В данной работе исследуется использование глубоких генерирующих моделей, в частности, для повышения надежности и эффективности методов обнаружения аномалий и редких классов. Такого рода задачи часто встречаются в реальных сценариях, когда выборок определенных классов мало или нет вовсе, что приводит к значительному дисбалансу классов и неполному использованию данных об аномальных и редких классах или переобучению. В исследовании представлен ряд принципиально новых подходов, основанных на глубинных MCMC процессах, нормализующих потоках и латентных стохастических дифференциальных уравнениях, направленных на преодоление разрыва между задачами обнаружения аномалий с учителем и без учителя. Эти методы изучаются и подтверждаются с помощью множественных экспериментов на табличных, графических и временных данных, в которых представленные методы значительно превосходят ранее существующие подходы обнаружения аномалий. В частности, практическая значимость изучаемых методов отдельно изучается на реальной задаче обнаружения аномалий в физике высоких энергий, где также демонстрируются большой потенциал глубоких генерирующих моделей обучения.