本文提出了一种基于对抗训练生成式对抗网络 (GANs) 循环一致性重建误差的异常检测方法。将一种新颖的鉴别器引入结构中以解决先前方法存在的高类间精度差异导致不适用于所有类型异常的问题，并在输入空间中引入辅助分布，使重建数据更接近正常数据分布，从而分离异常样本与其重建并有助于更准确的异常检测。另外，还引入了两种新颖的异常得分方法，并在六种不同数据集上进行了全面的实验证明其优越性。

Apr, 2023

提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

Feb, 2021

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

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

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

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。

Feb, 2018

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

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

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

该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

May, 2018