高斯混合生成模型检测健康数据异常

作者：朱壮壮; 周治平

来源：计算机科学与探索, 2021, 1-8.

• 变分自编码器
• 深度信念网络
• 高斯混合模型
• 人体活动数据
• 异常检测

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（Gaussian Mixture Generative Model， GMGM）健康数据检测方法。该模型利用变分自编码器（Variational Autoencoder， 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（Deep Brief Network， 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共同优化，避免了模型解耦的影响。高斯混合模型（Gaussian Mixture Model， GMM）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，相较于DAGMM算法，GMGM的AUC指标平均提升了5.5%。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。

• 单位
  江南大学