ICLRFeb, 2018

高效基于 GAN 的异常检测

PDF
TL;DR使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。
generative adversarial networksanomaly detectionimage datasetsnetwork intrusion datasetsstate-of-the-art performance
发现论文，激发创造
  • GAN 在异常检测中的应用综述

    本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

    Jun, 2019

  • Fence GAN: 更好的异常检测

    本研究介绍了一种用于检测高维异常数据的方法 ——Fence GAN，它通过修正基于生成式对抗网络（GAN）的损失函数，将生成的样本限制在真实数据分布的边界上，并且将判别器的评分直接用作异常阈值，实验结果表明，与现有方法相比，Fence GAN 可以获得最好的异常分类准确性。

    Apr, 2019

  • 发电厂中的异常检测与生成对抗网络

    使用生成对抗网络（GANs）进行电力发电厂异常检测的研究表明，GANs 在有效的异常检测方面表现出色，特别适用于使用大型数据集。

    Sep, 2023

  • 用 GAN 集成方法进行异常检测

    使用生成对抗网络集成的方法提高无监督学习下的异常检测性能，通过实验验证集成的优越性。

    Dec, 2020

  • 对抗性学习的异常检测

    本文提出一种基于双向 GAN 的异常检测方法 ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

    Dec, 2018

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 利用 GANs 进行欺诈检测：使用合成交易数据进行模型训练

    使用生成对抗网络（GANs）算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统，以增强交易过程的安全性。

    Feb, 2024

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • 用于异常检测的注意力生成对抗网络：网络安全威胁管理的前沿方法

    本研究提出了一种创新的关注力生成对抗网络框架，用于加强网络安全，并重点关注异常检测。该方法通过生成多样且逼真的合成攻击场景，丰富数据集并改善威胁识别，以应对不断演变的网络威胁。通过将关注机制与生成对抗网络相结合，该方法增强了模型对相关特征的关注能力，以便检测微妙和复杂的攻击模式。生成对抗网络通过生成更多各种已知和新兴威胁的攻击数据，解决了数据稀缺性的问题。该研究为网络安全提供了一种可扩展和适应性强的异常检测解决方案，同时探索了数据增强的潜力，为未来的研究提供了有希望的方向。

    Feb, 2024