ALGAN：通过潜变量生成伪异常数据的异常检测
机器学习
2022-05-10 v2 计算机视觉与模式识别
摘要
在许多异常检测任务中，异常数据极少出现且难以收集，仅使用正常数据训练十分重要。尽管可利用先验知识手动创建异常数据，但其可能受用户偏置影响。本文提出异常潜变量生成对抗网络（ALGAN），其中GAN生成器产生伪异常数据与假正常数据，而判别器被训练以区分正常与伪异常数据。这不同于标准GAN判别器专用于分类两个相似类。训练数据集仅含正常数据；潜变量以异常状态引入并输入生成器以产生多样伪异常数据。我们在MVTec-AD、Magnetic Tile Defects与COIL-100数据集上将ALGAN与其他现有方法比较性能。实验结果显示ALGAN的AUROC可与最先进方法相媲美，同时实现了快得多的预测时间。
引用
@article{arxiv.2202.10281,
title = {ALGAN: Anomaly Detection by Generating Pseudo Anomalous Data via Latent Variables},
author = {Hironori Murase and Kenji Fukumizu},
journal= {arXiv preprint arXiv:2202.10281},
year = {2022}
}
备注
13 pages, 8 figures