ARAE：自编码器的对抗鲁棒训练改进新颖性检测
计算机视觉与模式识别
2020-10-27 v2
摘要
自编码器（AE）近来被广泛用于解决新颖性检测问题。仅在正常数据上训练后，期望 AE 能有效重建正常数据，而无法再生异常数据，这可用于新颖性检测。然而，本文表明这并非总是成立。AE 常泛化得过于完美，以至于也能很好地重建异常数据。为解决该问题，我们提出了一种可学习更具语义意义特征的新颖 AE。具体而言，我们利用对抗鲁棒性促进有意义特征学习这一事实。因此，我们通过以对对抗扰动不稳定的瓶颈层来惩罚网络，迫使 AE 学习此类特征。我们表明，尽管与先前方法相比使用了更简单的架构，所提 AE 在三个基准数据集上优于或可与最先进水平相竞争。
引用
@article{arxiv.2003.05669,
title = {ARAE: Adversarially Robust Training of Autoencoders Improves Novelty Detection},
author = {Mohammadreza Salehi and Atrin Arya and Barbod Pajoum and Mohammad Otoofi and Amirreza Shaeiri and Mohammad Hossein Rohban and Hamid R. Rabiee},
journal= {arXiv preprint arXiv:2003.05669},
year = {2020}
}