Oct, 2023

基于高斯先验和非线性异常分数的对抗异常检测

PDF
TL;DR结合自动编码器和生成对抗网络的方法，提出了一种用于医学领域异常检测的新模型 beta-VAEGAN。通过训练核支持向量机，并考虑非线性关系，改进了异常检测性能，并提出了一种新的异常得分组成元素。相比现有最先进方法，在 MITBIH 心臟節律失常数据库上，将异常检测的 F1 得分从 0.85 提高到了 0.92。
anomaly detectionimbalanced datasetsmedical domainbeta-vaegansupport vector machine
发现论文，激发创造
  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • 深度变分半监督新颖性检测

    本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

    Nov, 2019

  • 使用混合高斯变分自编码器抵抗对抗攻击

    本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法，其关键是将鉴别模型与生成模型相结合，在先验分布中进行选择性分类，从而提高分类的准确性。

    May, 2018

  • 一种贝叶斯非参数方法的生成模型：使用 Wasserstein 和最大均值差异度集成变分自编码器和生成对抗网络

    对 GANs 和 VAEs 进行贝叶斯非参数方法的融合，使用 Wasserstein 和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本，实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型，进一步通过在代码空间中引入额外的生成器来增强模型的能力，可用于各种应用的更强大的生成模型。

    Aug, 2023

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 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

  • 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

  • 使用深度生成模型进行群体异常检测

    该研究提出了一种使用深度生成模型，Adversarial autoencoder (AAE) 和 variational autoencoder (VAE)，来检测旨在检测不规则分布的群组异常。实验结果表明，该方法在检测实际数据集中的群体异常方面有高的准确性和鲁棒性。

    Apr, 2018