adVAE: 一种用于异常检测的基于高斯异常先验知识的自对抗变分自编码器
机器学习
2019-11-15 v3 人工智能
机器学习
摘要
近年来，深度生成模型在无监督异常检测中日益普及。然而，深度生成模型旨在恢复数据分布而非检测异常。此外，深度生成模型存在对训练样本过拟合的风险，这会对异常检测性能造成灾难性影响。为解决上述两个问题，我们提出了一种基于高斯异常先验假设的自对抗变分自编码器。我们假设异常和正常的先验分布均为高斯分布，且在潜在空间中存在重叠。因此，训练一个高斯变换网络 T 来合成异常但接近正常的潜在变量。在保留变分自编码器原始训练目标的同时，生成器 G 尝试区分正常潜在变量与 T 合成的异常潜在变量，而编码器 E 则被训练以判别 G 的输出是否真实。我们添加的这些新目标不仅赋予了 G 和 E 判别能力，还引入了额外的正则化以防止过拟合。与 SOTA 基线相比，所提出的模型在大量实验中取得了显著提升。数据集和我们的模型可在 GitHub 仓库中获取。
引用
@article{arxiv.1903.00904,
title = {adVAE: A self-adversarial variational autoencoder with Gaussian anomaly prior knowledge for anomaly detection},
author = {Xuhong Wang and Ying Du and Shijie Lin and Ping Cui and Yuntian Shen and Yupu Yang},
journal= {arXiv preprint arXiv:1903.00904},
year = {2019}
}
备注
This paper has been accepted by Knowledge-based Systems