基于条件生成对抗网络与集成主动监督的异常检测
机器学习
2021-04-27 v1
摘要
异常检测在机器智能中有广泛应用，但仍是一个尚未解决的难题。主要挑战包括标注异常样本的稀缺性以及其高度类别不平衡问题。传统的无监督异常检测器表现次优，而有监督模型容易对正常数据做出偏倚预测。本文通过提出新颖的集成主动学习生成对抗网络（EAL-GAN）给出了一种新的有监督异常检测器。EAL-GAN 是一种条件 GAN，具有独特的一个生成器对多个判别器的架构，其中异常检测由判别器的辅助分类器实现。除了使用条件 GAN 生成类别平衡的补充训练数据外，还设计了一种创新的集成学习损失函数，确保各判别器相互弥补不足，以克服类别不平衡问题，并引入主动学习算法以显著降低真实世界数据的标注成本。我们给出了大量实验结果，表明该新异常检测器始终以显著优势优于多种 SOTA 方法。代码已在 Github 上公开。
引用
@article{arxiv.2104.11952,
title = {Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning},
author = {Zhi Chen and Jiang Duan and Li Kang and Guoping Qiu},
journal= {arXiv preprint arXiv:2104.11952},
year = {2021}
}