Apr, 2023

正则化完整循环一致 GAN 用于异常检测

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 双编码器双向生成对抗网络用于异常检测

    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

  • 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

  • 旧而有为：重新定义对抗学习一类分类器训练范式

    本研究提出了一种基于对抗模型的异常检测框架，利用生成器和鉴别器来实现高效和稳健的异常检测，通过将鉴别器的基本角色从区分真假数据转变为区分良好和劣质的重建，使检测器能够更好地检测到异常输入中经常出现的细微畸变，经过对 Caltech-256 和 MNIST 图像数据集以及 UCSD Ped2 视频数据集的实验，该方法均取得了优越的结果。

    Apr, 2020

  • TadGAN: 使用生成对抗网络进行时间序列异常检测

    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

  • 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

  • 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

  • 生成对抗网络的一致性正则化

    本文提出了一种基于一致性正则化的简单、有效的 GAN 训练稳定器，通过在 GAN 鉴别器中引入数据扩充并惩罚鉴别器对这些扩充的敏感度，以在不增加显着计算开销的情况下，为无条件和有条件图像生成提供最佳结果。

    Oct, 2019

  • 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