深度学习驱动的终身异常检测：unlearning框架与性能提升

本文探讨了"通过遗忘进行终身异常检测"这一新颖的研究领域。异常检测对于保障系统稳定和安全性至关重要，特别是在深度学习广泛应用的场景下。传统的方法主要集中在"zero-positive"（仅使用正常数据训练）的假设上，但现实中系统部署后可能会遇到人工标记的异常数据，这就需要处理"终身异常检测"的问题。 作者们首次提出了一种unlearning框架，它允许模型在接收到标记错误（假阴性或假阳性）时自我修正，以适应新出现的异常情况。他们克服了两大挑战：爆炸性损失和灾难性遗忘，这是在线学习和异常检测中的关键问题。他们构建了一个基于生成模型的理论框架，使得传统的"zero-positive"深度学习异常检测算法能够适应终身异常检测环境。 文章实验部分采用了两个先进的深度学习异常检测架构，并在三个实际任务中测试了这一方法。结果显示，通过unlearning，他们的方法显著减少了假阳性和假阴性误报，从而提高了系统的鲁棒性和准确性。在CCS概念分类中，该工作涉及到安全与隐私（入侵/异常检测和威胁缓解）、信息系统（在线分析过程）以及计算方法论（在线学习设置）等多个方面。 总结来说，这篇论文创新性地将unlearning技术应用于终身异常检测，为深度学习模型处理实时变化的异常情况提供了有效策略，这不仅提升了异常检测的效率，还适应了不断变化的安全环境。在未来的研究中，这种方法可能被广泛应用于网络安全、工业监控等领域的实时异常检测应用中。