TransductGAN：一种用于新颖性检测的转导式对抗模型
机器学习
2022-03-31 v2 计算机视觉与模式识别
摘要
新颖性检测是机器学习中被广泛研究的问题，旨在检测先前未观测过的新类数据。新颖性检测的常见设定为归纳式，即训练时仅可获得负类样本。相比之下，转导式新颖性检测近期才引起关注，它不仅在训练时利用负类，还引入（未标记的）测试集以检测新样本。在转导设定框架下已出现若干研究，证明了其相对于归纳式方法的优势。依据对数据的不同假设，这些方法有不同名称（如转导式新颖性检测、半监督新颖性检测、正-未标记学习、分布外检测）。借助生成对抗网络（GAN），其中部分研究采用转导式设定以学习如何生成新类样本。本研究中，我们提出TransductGAN，一种转导式生成对抗网络，试图通过在潜空间中使用两个高斯混合，学习如何生成来自新类与负类的图像样本。它通过结合对抗自编码器与GAN网络实现该目标；生成新数据点样本的能力不仅提供了新颖性的可视化表示，也克服了众多归纳式方法在决策规则层面调整模型超参数时所面临的障碍。我们的模型在性能上优于最先进的归纳式与转导式方法。我们的研究完全可复现，代码已公开可用。
引用
@article{arxiv.2203.15406,
title = {TransductGAN: a Transductive Adversarial Model for Novelty Detection},
author = {Najiba Toron and Janaina Mourao-Miranda and John Shawe-Taylor},
journal= {arXiv preprint arXiv:2203.15406},
year = {2022}
}