对抗学习异常检测
机器学习
2018-12-07 v1 机器学习
摘要
异常检测是一个重要且被广泛研究的问题。然而，为复杂高维数据开发有效的异常检测方法仍具挑战。由于生成对抗网络（GANs）能够建模真实世界数据的复杂高维分布，它们为解决该挑战提供了有前景的途径。本工作中，我们提出一种基于双向 GANs 的异常检测方法——对抗学习异常检测（ALAD），其为异常检测任务导出对抗学习的特征。ALAD 随后基于这些对抗学习特征的重构误差来判断某数据样本是否异常。ALAD 建立在近期进展之上，以确保数据空间与隐空间循环一致性并稳定 GAN 训练，从而显著改善异常检测性能。ALAD 在一系列图像与表格数据集上取得了最先进的性能，同时在测试时比唯一已发表的基于 GAN 的方法快数百倍。
引用
@article{arxiv.1812.02288,
title = {Adversarially Learned Anomaly Detection},
author = {Houssam Zenati and Manon Romain and Chuan Sheng Foo and Bruno Lecouat and Vijay Ramaseshan Chandrasekhar},
journal= {arXiv preprint arXiv:1812.02288},
year = {2018}
}
备注
In the Proceedings of the 20th IEEE International Conference on Data Mining (ICDM), 2018