利用负学习限制生成式神经网络的重建能力
计算机视觉与模式识别
2017-08-31 v1 人工智能
机器学习
摘要
生成模型广泛用于无监督学习，涵盖数据压缩和信号恢复等多种应用。此类系统的训练方法侧重于在有限训练数据下提升网络的泛化能力。而仅针对单一类型输入进行生成的技术研究较少，但该技术对于约束处理、噪声抑制和异常检测等应用十分有用。本文提出了一种利用负学习限制网络生成能力的技术。该方法在梯度方向上搜索期望输入的解，并在相反方向上搜索非期望输入的解。其应用之一是异常检测，其中非期望输入即为异常数据。在结果部分，我们使用 MNIST 手写数字数据集展示了该算法的特性，随后将该技术应用于现实世界的障碍物检测问题。结果清楚地表明，所提出的学习技术能显著提高异常检测的性能。
引用
@article{arxiv.1708.08985,
title = {Limiting the Reconstruction Capability of Generative Neural Network using Negative Learning},
author = {Asim Munawar and Phongtharin Vinayavekhin and Giovanni De Magistris},
journal= {arXiv preprint arXiv:1708.08985},
year = {2017}
}
备注
Conference: IEEE International Workshop on Machine Learning for Signal Processing (MLSP), Roppongi, Tokyo, Japan, September 25-28, 2017