高斯混合生成模型检测健康数据异常

摘要：

在智能穿戴设备普及的背景下,运动手环为全面地了解人们的身体状况提供了丰富的信息源,但是其提供的多维活动数据存在未知的异常值,因此需要进行异常值的检测.由于"维度灾难",通过传统的方法进行密度估计十分困难,导致检测效果不佳.针对该问题,使用了一种高斯混合生成模型(GMGM)健康数据检测方法.首先,该模型利用变分自编码器(VAE)训练原始数据,并且通过降低重构误差提取潜在特征.然后,利用深度信念网络(DBN),通过潜在分布和提取的特征来预测样本的混合成员隶属度.接着,变分自编码器、深度信念网络与高斯混合模型(GMM)共同优化,避免了模型解耦的影响.高斯混合模型预测得到每个数据的样本密度,将密度高于训练阶段阈值的样本视为异常.在ODDS标准数据集上验证模型的性能,结果表明,相比深度自编码器高斯混合模型(DAGMM),GMGM的AUC指标平均提升了5.5个百分点.最后,在真实数据集上的实验结果也表明了该方法的有效性.

关键词：变分自编码器(VAE)、深度信念网络(DBN)、高斯混合模型(GMM)、健康数据、异常检测

所属期刊栏目：16

分类号：TP18(自动化基础理论)

在线出版日期：2022-05-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1128-1135