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
利用生成对抗网络(GAN)进行复杂的网络型智能物理系统的异常检测,通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为,针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。
Sep, 2018
使用 Cycle-GAN 生成异常数据并训练模型以检测入侵,证明生成对抗网络在异常数据生成方面的潜力,AUC 提升至 0.71,异常检测率从 17.07% 提高至 80.49%
Dec, 2018
使用生成对抗网络(GANs)算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统,以增强交易过程的安全性。
Feb, 2024
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
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
本文提出了一种基于生成对抗网络(GANs)的无监督多变量异常检测方法(MAD-GAN),并在 SWaT 和 WADI 数据集上进行了实验,结果表明该方法能够有效地检测这些系统中各种形式的入侵。
Jan, 2019
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。
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