用 GAN 集成方法进行异常检测
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
本论文探讨了在 GAN 网络中构建集成模型的新方法 —— 自集成和级联集成。实验表明采用 GAN 集成模型可以更好地建模数据分布,并在较小的计算成本下取得更优的结果。
Dec, 2016
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
本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN,采用滑动窗口处理时间序列数据进行训练,利用产生正常数据模式的生成器和预测异常的独立鉴别器,借助核密度估计提高精度,测试发现该框架具有较高的召回率和准确率。
Oct, 2022
本研究介绍了一种基于 GAN 和 AAE 的数据增强框架,可以应用于未监督的异常检测任务,并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。
Aug, 2018
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