生成对抗网络在异常检测中的有效性研究
机器学习
2022-01-03 v1 计算机视觉与模式识别
摘要
识别异常是指检测不同于训练数据分布的样本。许多生成模型已被用于发现异常，其中基于生成对抗网络(GAN)的方法目前十分流行。GAN主要依赖这些模型的丰富上下文信息来识别真实的训练分布。遵循这一类比，我们提出了一种基于GAN的新无监督模型——一种自编码器与GAN的组合。进一步，引入了新的评分函数以针对异常，该函数将判别器的内部表示与生成器的视觉表示的线性组合，加上自编码器的编码表示，共同定义为所提出的异常分数。该模型进一步在SVHN、CIFAR10与MNIST等基准数据集以及一份公开的白血病图像医学数据集上评估。在所有实验中，我们的模型优于现有同类模型，同时推理时间略有改善。
引用
@article{arxiv.2112.15541,
title = {on the effectiveness of generative adversarial network on anomaly detection},
author = {Laya Rafiee Sevyeri and Thomas Fevens},
journal= {arXiv preprint arXiv:2112.15541},
year = {2022}
}
备注
This paper is an improved version of an existing paper published by the same authors in ICANN2020