GANomaly：基于对抗训练的半监督异常检测

异常检测是计算机视觉中的经典问题，即在数据集因另一类（异常）样本量不足而高度偏向某一类（正常）时，区分正常与异常。虽然这可作为监督学习问题处理，但更具挑战性的问题是检测未知/未见异常情形，这将我们带入一类单类、半监督学习范式。我们引入这样一种新颖的异常检测模型，通过使用条件生成对抗网络（GAN）联合学习高维图像空间的生成与隐空间的推断。在生成器网络中采用编码器-解码器-编码器子网络，使模型能将输入图像映射为低维向量，再用于重建生成的输出图像。额外编码器网络将该生成图像映射至其隐表示。训练期间最小化这些图像与隐向量间的距离有助于学习正常样本的数据分布。因此，推断时与该已学数据分布更大的距离度量表明该样本偏离此分布——即为异常。在多个来自不同领域的基准数据集上的实验显示了模型的有效性及相对于先前最优（SOTA）方法的优越性。