AnoGAN for Tabular Data: 基于表格数据的AnoGAN异常检测新方法

异常检测是数据分析中的关键环节，涉及识别偏离预期行为的模式。本研究聚焦于异常检测中所固有的复杂性，探讨各种挑战并适应复杂的恶意活动。异常检测的应用领域广泛，涵盖网络安全、医疗保健、金融和监控等领域，常常代表关键信息或潜在威胁。灵感来源于Anomaly Generative Adversarial Network(AnoGAN)在图像领域的成功，本研究将其原理扩展到表格数据。我们的贡献包括将AnoGAN的原理适应到新领域，并在检测先前无法检测的异常方面取得有前景的进展。本文深入探讨了异常检测的多面性，考虑正常行为的动态演化、情境依赖性异常定义，以及数据相关的挑战，如噪声和不平衡。