billhhh
commented
4 years ago 你好，谢谢对我们对项目感兴趣。针对你提出对问题：
- 是的，在代码中是在 batch 中进行 pair-wise 的操作。因为如果每次要计算所有 pair 的距离，特别是数据点特别多的时候，是不够现实的。所以我们用了类似 SGD 的思路，在 batch 中进行操作，保留一定随机性，但是总的来说考虑到了整个数据分布。
- 在 test 的时候，我提供了3种测试方法，'last_layer' --- 用最后一层的叶子节点 score 作为 AD 分数，'first_layer' --- 用第一层的 root 节点 score 作为 AD 分数， ‘level' --- 用层数作为 AD 分数。我们做过实验进行比较，但是结果相对其他结果比较 trivial，就没有放到论文，实测是 last_layer 方法比较好。
- 我们方法的 intuition 就是数据比较集中的数据点 pair 会拟合的比较好，数据比较稀疏的 anomaly 点会拟合的不那么好，从而可以找出 anomaly 点。文章中提到的线性变换和非线性变换，都可以，我们做了实验比较，分别是 SRP 和 RDP，最终的 RDP model 就是采用的 random init 的神经网络。=)
希望可以帮到你！ 祝好
chenbofeng123
datar001
学长您好，您的论文非常的有趣，非常感谢您分享的代码，代码非常的详细。 关于论文和代码还有一点细节想请教您： 1.在论文中是 计算任意数据间组合的随机距离，在代码里看起来是 选取一个batch，在batch里做了一次随机采样，然后计算这两次样本的距离。请问这样做有什么动机吗？ 这种选取方式虽然降低了算法的运行时间，但是相比于论文里的想法 少算了很多节点对。 2.您在测试阶段设置了3种测试方法，testing_methods_set = ['last_layer', 'first_layer', 'level']，请问这些方法在您的实验中做过比较麽？