双编码器双向生成对抗网络用于异常检测

ICMLDec, 2020

双编码器双向生成对抗网络用于异常检测

Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection

Teguh Budianto, Tomohiro Nakai, Kazunori Imoto, Takahiro Takimoto, Kosuke Haruki

TL;DR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。

Abstract

generative adversarial networks (GANs) have shown promise for various problems including anomaly detection. When anomaly detection is perf

generative adversarial networks anomaly detection dual-encoder bidirectional gan cycle consistency

发现论文，激发创造

通过对抗性双自编码器实现异常检测

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

使用同时编码器训练从受污染的图像数据中无监督地学习异常检测

本研究提出一种使用生成对抗网络结合编码器进行无监督学习的异常检测方法，能够在污染数据的情况下识别图像中的异常，并在 CIFAR-10 数据集和一个未经测试的细胞图像数据集上实现了最先进的性能。

May, 2019

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

高效基于 GAN 的异常检测

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

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

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

正则化循环一致性生成对抗网络在异常检测中的应用

本文提出了一种新型的正则化循环一致性生成对抗网络（RCGAN）算法，利用惩罚分布和鉴别器网络的新定义来更好地识别异常样本，经实验结果表明，在多个数据集上，RCGAN 相比当前技术水平有更强的检测异常例子的能力。

Jan, 2020

Skip-GANomaly: 跳跃连接和对抗训练的编码器 - 解码器异常检测

介绍了一种基于无监督学习、卷积神经网络和图像处理的异常检测方法，该方法对于高维的图像空间和低维的潜在空间都有很好的重构表现，更适合处理训练数据高度不平衡的真实场景数据。在 X 光安全筛查等领域通过基准实验和实际应用均展现了出色的性能。

Jan, 2019

训练对抗判别器用于人群交叉通道异常事件检测

本文提出使用 GAN 来进行视频监控中的异常行为检测，通过将原始数据与运动信息相互转化来避免生成器学习平凡的恒等函数，并且在标准基准测试中达到了比之前最先进方法更好的效果。

Jun, 2017