找出异类：正则化完全循环一致异常检测 GAN
机器学习
2024-05-01 v3
摘要
本研究提出一种用于现实应用异常检测的对抗方法，通过重建误差中的循环一致性来利用生成对抗网络（GANs）的能力。先前的方法存在类间准确率高方差的问题，导致无法适用于所有类型的异常。所提方法 RCALAD 通过在结构中引入新颖的判别器来解决此问题，从而实现更高效的训练过程。此外，RCALAD 在输入空间采用补充分布，将重建引导至正常数据分布，有效分离异常样本与其重建结果，并促进更准确的异常检测。为进一步提升模型性能，引入了两种新颖的异常分数。所提模型已在六个不同数据集上通过广泛实验进行全面评估，结果证明其优于现有最先进（SOTA）模型。代码已在 https://github.com/zahraDehghanian97/RCALAD 向研究界公开。
引用
@article{arxiv.2304.07769,
title = {Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN},
author = {Zahra Dehghanian and Saeed Saravani and Maryam Amirmazlaghani and Mohammad Rahmati},
journal= {arXiv preprint arXiv:2304.07769},
year = {2024}
}