基于高斯先验与非线性异常分数的对抗式异常检测
机器学习
2023-10-30 v1 机器学习
摘要
不平衡数据集中的异常检测是一个频繁且关键的问题，尤其在医疗领域，获取和标注异常通常代价高昂。通过结合-变分自编码器（VAE）的生成稳定性与生成对抗网络（GANs）的判别优势，我们提出一种新模型-VAEGAN。我们研究了基于模型判别与重构能力组合异常分数的方法。现有工作侧重于这些分量的线性组合以判定数据是否异常。我们推进现有工作，通过在各自误差分量上训练核化支持向量机（SVM）以同时考虑非线性关系。这提升了异常检测性能，同时允许更快的优化。最后，我们利用-VAEGAN对高斯先验的偏离构成一个新的异常分数分量。相较于最先进的工作，我们在广泛使用的MITBIH心律失常数据库上将异常检测的分数从0.85提升至0.92。
引用
@article{arxiv.2310.18091,
title = {Adversarial Anomaly Detection using Gaussian Priors and Nonlinear Anomaly Scores},
author = {Fiete Lüer and Tobias Weber and Maxim Dolgich and Christian Böhm},
journal= {arXiv preprint arXiv:2310.18091},
year = {2023}
}
备注
accepted at AI4TS @ ICDMW 2023