Jun, 2019
GAN 在异常检测中的应用综述
A Survey on GANs for Anomaly Detection
Federico Di Mattia, Paolo Galeone, Michele De Simoni, Emanuele Ghelfi
TL;DR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。
Abstract
anomaly detection is a significant problem faced in several research areas.
Detecting and correctly classifying something unseen as anomalous is a
challenging problem that has been tackled in many different manners over the
years.
→
发现论文,激发创造
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
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
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
GANomaly: 通过对抗训练进行半监督异常检测
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
基于 GAN 的元学习应用于异常检测,在高速铁路检测系统中的部署
这篇论文提出了一个基于元学习的异常检测框架,它集成了生成对抗网络 (GANs) 的思想,并利用适当的损失函数,包括结构相似度指数 (SSIM),解决了 AI 时代中针对大数据异常检测的挑战,试验表明该框架在高速铁路检测方面表现尖锐和强健,已在中国五个高速铁路上使用,使工作量减少了 99.7%,检查时间节省了 96.7%。
Feb, 2022