用于人类移动数据深度多模态异常检测的耦合 IGMM-GAN
机器学习
2018-09-11 v1 机器学习
摘要
在人类移动数据中检测异常活动具有多种应用，包括道路危险感知、基于远程信息处理的保险，以及出租车服务和拼车中的欺诈检测。在本文中，我们解决了人类轨迹异常研究中的两个挑战：1) 缺乏关于何为异常的定义的真实标注数据；2) 现有方法依赖于大量的预处理和特征工程。虽然生成对抗网络（GAN）看似天然适合应对这些挑战，但我们发现现有的基于 GAN 的异常检测算法由于无法处理多模态模式而表现不佳。为此，我们提出了一种无限高斯混合模型与（双向）生成对抗网络相结合的模型，即 IGMM-GAN，它能够生成合成的但真实的人类移动数据，并同时促进多模态异常检测。通过对人类轨迹空间上的生成概率密度进行估计，我们能够生成真实的合成数据集，用于基准测试现有的异常检测方法。所估计的多模态密度还提供了一种自然的离群值定义，我们将其用于检测异常轨迹。我们在多个人类移动数据集以及 MNIST 上展示了我们的方法及其相对于现有 GAN 异常检测的改进。
引用
@article{arxiv.1809.02728,
title = {Coupled IGMM-GANs for deep multimodal anomaly detection in human mobility data},
author = {Kathryn Gray and Daniel Smolyak and Sarkhan Badirli and George Mohler},
journal= {arXiv preprint arXiv:1809.02728},
year = {2018}
}
备注
Submitted and pending notification from AAAI