用于异常检测的正则化循环一致生成对抗网络
机器学习
2020-05-29 v2 机器学习
摘要
本文研究异常检测算法。以往的异常检测方法侧重于对训练期间提供的非异常数据分布进行建模，但这并不一定能确保对异常数据的正确检测。我们提出一种新的正则化循环一致生成对抗网络 (RCGAN)，其中深度神经网络通过对抗训练以更好地识别异常样本。该方法基于引入惩罚分布、重新定义损失函数以及判别器网络的新颖使用。其建立在坚实的数学基础之上，证明表明相较当前最优方法，我们的方法在检测异常样本方面具有更强的保证。在真实世界与合成数据上的实验结果表明，我们的模型在以往的异常检测基准上取得了显著且一致的提升。值得注意的是，RCGAN 在 KDDCUP、Arrhythmia、Thyroid、Musk 和 CIFAR10 数据集上均优于当前最优方法。
引用
@article{arxiv.2001.06591,
title = {Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection},
author = {Ziyi Yang and Iman Soltani Bozchalooi and Eric Darve},
journal= {arXiv preprint arXiv:2001.06591},
year = {2020}
}
备注
the 24th European Conference on Artificial Intelligence (ECAI 2020)