利用伪异常稳定对抗学习的一类新颖性检测

近来，异常分数已通过对抗学习生成器的重构损失和/或判别器的分类损失来构建。训练数据中异常样本的缺失使得此类网络的优化颇具挑战。由于对抗训练的特性，此类模型的性能在每一步训练中剧烈波动，难以在最优时刻停止训练。在本研究中，我们提出一种鲁棒的异常检测框架，通过将判别器的基本角色从区分真实与伪造数据转变为区分高质量与低质量重构，从而克服这种不稳定性。为此，我们提出一种方法，利用同一生成器的当前状态与旧状态来创建高质量与低质量重构样本。判别器在这些样本上训练，以检测异常数据重构中常存在的细微畸变。此外，我们提出一种高效的通用准则来停止模型训练，确保性能提升。在涵盖图像与视频异常检测、医学诊断及网络安全等多个领域的六个数据集上进行的广泛实验，证明了我们方法的优异性能。