共享域特征的深度神经网络异常检测方法

基于数据驱动的异常检测方法需要大量标签样本用于训练分类模型,当标签样本数量不足时,此类方法通常难以取得令人满意的预测结果.为此,提出一种结合迁移学习的深度神经网络异常检测方法,用以提高标签样本数量不足情况下的异常检测性能.本文方法的核心思想是:在深度神经网络中通过共享编码层将源域和目标域的数据映射到同一特征空间(即,共享域特征),减少源域数据与目标域数据的概率分布差异,进而从源域和目标域中选择具有共同域特征的数据实现有效的迁移学习.在真实能耗数据集上进行了验证,实验结果表明,与未使用共享域特征的传统深度神经网络方法相比,本文方法可将异常检测准确率提高2%.