分布尾部GAN（TailGAN）：基于生成对抗网络的边界形成
机器学习
2022-02-03 v2 机器学习
摘要
生成对抗网络（GAN）是一种强有力的方法，可用于无监督异常检测，而现有技术存在诸如难以准确检测分布尾部附近的异常等局限。GAN通常不能保证概率密度的存在，且易受模式崩溃影响，而少数GAN利用似然来减轻模式崩溃。本文中，我们创建一种用于异常检测的基于GAN的尾部形成模型——分布尾部GAN（TailGAN），以在数据分布尾部生成样本并检测支撑边界附近的异常。利用TailGAN，我们将GAN用于异常检测并采用最大熵正则化。使用能学习底层分布概率的GAN，可通过设计边界样本生成器来改进异常检测方法，并利用该模型刻画异常，从而具备优势。TailGAN处理具有不相交分量的支撑，并在图像上取得有竞争力的性能。我们在MNIST、CIFAR-10、行李X射线与OoD数据上评估TailGAN对分布外（OoD）数据的识别，其性能相较文献方法具竞争力。
引用
@article{arxiv.2107.11658,
title = {Tail of Distribution GAN (TailGAN): Generative-Adversarial-Network-Based Boundary Formation},
author = {Nikolaos Dionelis and Mehrdad Yaghoobi and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2107.11658},
year = {2022}
}
备注
5 pages, 2020 Sensor Signal Processing for Defence Conference (SSPD)