分布支撑边界生成器（BDSG）：边界上的样本生成

生成模型，如生成对抗网络（GANs），已被用于无监督异常检测。尽管性能持续提升，仍存在若干局限，尤其归因于难以捕捉多模态支撑，以及逼近更接近尾部（即分布支撑边界）的潜在分布的能力不足。本文提出一种试图缓解此类缺陷的方法。我们提出一种基于可逆残差网络的模型——分布支撑边界生成器（Boundary of Distribution Support Generator, BDSG）。GANs 通常不能保证概率分布的存在，而此处我们使用新近开发的可逆残差网络（IResNet）与残差流（ResFlow）进行密度估计。这些模型尚未用于异常检测。我们利用 IResNet 和 ResFlow 进行分布外（Out-of-Distribution, OoD）样本检测，并使用复合损失函数迫使样本位于边界上，从而实现边界上的样本生成。BDSG 处理了非凸支撑、不相交分量以及多模态分布。在合成数据及多模态分布数据（如 MNIST 和 CIFAR-10）上的结果表明，其性能与文献中的方法相比具有竞争力。