从基于MIM的GAN到异常检测：事件概率对生成对抗网络的影响
机器学习
2024-04-08 v1 人工智能
信息论
math.IT
摘要
为了将深度学习技术引入异常检测，生成对抗网络（GANs）在算法设计和实际应用中被视为重要角色。就GANs而言，体现在目标函数中的事件概率对事件生成有影响，而事件生成在基于GAN的异常检测中起着关键作用。信息度量（如原始GAN中的Kullback-Leibler散度）使得目标函数对不同事件概率具有不同的敏感性，这为通过影响数据生成来改进基于GAN的异常检测提供了机会。本文中，我们将指数信息度量引入GAN，称为基于MIM的GAN，并从理论上讨论了其在数据生成上的优越特性。此外，我们提出了一种基于MIM的GAN的异常检测方法，并从概率事件生成的角度解释了其在无监督学习情况下的原理。由于该方法有望检测物联网（IoT）中的异常，例如环境、医疗和生化离群值，我们利用来自在线ODDS库的多个数据集来评估其性能，并与其他方法进行比较。
引用
@article{arxiv.2203.13464,
title = {From MIM-Based GAN to Anomaly Detection:Event Probability Influence on Generative Adversarial Networks},
author = {Rui She and Pingyi Fan},
journal= {arXiv preprint arXiv:2203.13464},
year = {2024}
}