MDGAN：利用多判别器生成对抗网络提升异常检测性能
机器学习
2018-10-15 v1 机器学习
摘要
由于难以获取异常样本用于训练且需要充足的训练数据，异常检测常被视为机器学习中具挑战性的领域。近年来，自编码器已被证明是仅使用“正常”数据训练的有效异常检测器。生成对抗网络（GANs）已被用于为分类器生成额外的训练样本，从而使其更准确、更鲁棒。然而，在异常检测中，GANs 仅用于重建现有样本而非生成额外样本。这主要源于大多数领域中异常数据量少且缺乏多样性。本研究提出 MDGAN，一种新颖的 GAN 架构，通过生成额外样本来改进异常检测。我们的方法使用两个判别器：一个稠密网络用于判断生成样本是否具有足够质量（即有效），以及一个用作异常检测器的自编码器。MDGAN 使我们能够调和两个相互冲突的目标：1) 生成能够欺骗第一个判别器的高质量样本；2) 生成最终能被第二个判别器有效重建的样本，从而提升其性能。在多种不同数据集上的实证评估展示了我们方法的优势。
引用
@article{arxiv.1810.05221,
title = {MDGAN: Boosting Anomaly Detection Using \\Multi-Discriminator Generative Adversarial Networks},
author = {Yotam Intrator and Gilad Katz and Asaf Shabtai},
journal= {arXiv preprint arXiv:1810.05221},
year = {2018}
}