通过对潜空间进行对抗性学习扰动进行异常检测

Jul, 2022

通过对潜空间进行对抗性学习扰动进行异常检测

Anomaly Detection with Adversarially Learned Perturbations of Latent Space

Vahid Reza Khazaie, Anthony Wong, John Taylor Jewell, Yalda Mohsenzadeh

TL;DR本文提出了一种对抗框架，由 Adversarial Distorter 和 Autoencoder 两个部分组成，利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示，实现了对图像和视频数据集上的异常检测的最新性能的提升。

Abstract

anomaly detection is to identify samples that do not conform to the distribution of the normal data. Due to the unavailability of anomalous data, training a supervised deep neural network is a cumbersome task. As such,

anomaly detection unsupervised methods deep autoencoders adversarial framework perturbations

发现论文，激发创造

使用对抗自编码器实现图像中的稳健异常检测

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

使用对抗自编码神经网络探测潜空间中的会计异常

本研究提出了使用对抗自编码网络来检测会计数据中的欺诈行为，该方法可以学习到现实世界会计分录的语义表示，从而提高了检测方法的可解释性和准确性。实验证明该方法的有效性。

Aug, 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

学习混淆：使用自编码生成训练时对抗数据

本文提出了一种使用类自编码器的网络生成对训练数据加入扰动的新方法，可以对受害分类器的行为（无论是有目的还是非有目的的）进行操纵并降低其泛化能力。通过实验验证，这种方法可以被应用到各种数据集中，并且具有很好的可迁移性。

May, 2019

通过对抗学习连续噪声损坏实现的强大半监督异常检测

这篇论文探讨了如何应用对抗性训练和增加噪声的方法来解决自动编码器过拟合问题，从而提高异常检测的性能，并在多个数据集和实际场景中进行了验证。

Mar, 2023

超越已知：对抗自编码器的新颖性检测

通过线性化保持内点分布结构的流形，我们计算新颖性概率，并在网络的训练协议上进行改进，证明我们的方法在学习目标类别方面是有效的，并在几个基准数据集上优于最新的先进方法。

Apr, 2024

潜空间自回归用于新颖性检测

设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。

Jul, 2018

卷积自编码器在视频异常检测中的深度学习方法

我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

Nov, 2023

面向鲁棒性无监督时间序列异常检测的有损压缩

本文提出了一种新的损失因果时间卷积神经网络自编码器来进行异常检测，其使用速率 - 失真损失和熵瓶颈来学习压缩编码的潜在表示，有助于实现更实际的无监督异常检测方案。

Dec, 2022

深度相关性感知的核化自编码器在网络安全中的异常检测

本文提出了一种利用鲁棒的马哈拉诺比斯距离度量潜在维度相关性的基于核心自动编码器的异常检测方法来有效检测近距离和远距离异常值的方法。

Jan, 2023