AGAD：对抗生成异常检测
计算机视觉与模式识别
2023-04-11 v1 机器学习
摘要
异常检测因异常的多样性以及难以获取大规模异常数据而受制于异常样本的匮乏。半监督异常检测方法通常仅利用正常数据来检测偏离所学正常性分布的异常。同时，鉴于实践中以较小代价可获得有限异常数据，一些研究也探讨了在有限异常数据下的监督场景异常检测方法。为解决鲁棒异常检测中异常数据缺乏的问题，我们提出对抗生成异常检测(AGAD)，一种基于自对比的异常检测范式，其通过从海量正常样本中生成上下文对抗信息来学习检测异常。本质上，我们的方法为监督和半监督异常检测场景生成伪异常数据。在多个基准数据集和真实世界数据集上进行了充分实验，结果表明在监督和半监督场景下均有显著提升。重要的是，我们的方法具有数据高效性，仅需不超过5%的异常训练数据即可提升检测精度。
引用
@article{arxiv.2304.04211,
title = {AGAD: Adversarial Generative Anomaly Detection},
author = {Jian Shi and Ni Zhang},
journal= {arXiv preprint arXiv:2304.04211},
year = {2023}
}