对抗性学习的异常检测
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
介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE),由两个自编码器作为生成器和判别器以提高训练稳定性,利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明,该模型具有良好的鲁棒性,可用于不同场景中,其中之一是脑肿瘤检测。
Feb, 2019
在时间序列数据中,我们提出了一种名为调整 LSTM GAN(ALGAN)的新型生成对抗网络(GAN)模型,它能够调整 LSTM 网络的输出以提高无监督设置下单变量和多变量时间序列数据的异常检测性能。通过对 46 个真实世界的单变量时间序列数据集和一个涵盖多个领域的大型多变量数据集进行实验,我们证明 ALGAN 在时间序列数据的异常检测方面优于传统的基于神经网络和其他基于 GAN 的方法。
Aug, 2023
使用条件生成对抗网络,将输入图像映射到较低的维度向量,从而最小化训练时这些图像和潜在向量之间的距离,学习正常样本的数据分布,并在推理时利用学习到的数据分布,在各种基准数据集上表现出比先前最先进方法更好的模型性能
May, 2018
该研究提出了一种基于双编码器的双向 GAN 架构,通过学习机制,将循环一致性问题降至最小,有效地促进了基于 GAN 的模型中的异常检测效率。实验证明该方法在正常样本分布捕捉方面表现良好,并成功应用于大脑磁共振异常检测系统。
Dec, 2020
本文提出了一种基于生成对抗网络(GANs)的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络(LSTM)作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性,并通过循环一致性损失进行训练,以实现有效的时间序列数据重构。此外,该方法还提出了计算重构误差的几种新方法,以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常,并在大多数情况下(11 个数据集中的 6 个)胜过基线方法。
Sep, 2020
该研究提出了一种基于对抗生成的异常检测方法(AGAD),该方法利用大规模正常数据生成上下文对抗信息生成伪异常数据,解决了异常数据获取困难的问题,显著提高了半监督和有限监督情况下的检测准确率。
Apr, 2023
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