[Paper][Code]

?

本文提出了一種基于雙指向性GAN異常檢測的方法ALAD，使用對抗學(xué)習(xí)到的特征的重建誤差決定樣本是否異常。ALAD建立在確認數(shù)據(jù)空間和潛在空間的循環(huán)一致性損失、穩(wěn)定的GAN訓(xùn)練上，達到了SOTA。

AnoGAN首先提出了在眼部圖像上使用一個標準GAN結(jié)構(gòu)做異常檢測的方法，然而在測試階段，為了找到潛在向量z，該方法需要對每個測試樣本解決優(yōu)化問題，之后通過z計算每個樣本的異常分數(shù)，因此在實時應(yīng)用中或應(yīng)用于大型數(shù)據(jù)集時實現(xiàn)起來非常不現(xiàn)實。

本文提出的ALAD算法不僅十分有效，而且測試簡便，利用一類GAN在訓(xùn)練時同時學(xué)習(xí)一個編碼網(wǎng)絡(luò)，除此之外還結(jié)合了一些現(xiàn)有的技術(shù)提升編碼網(wǎng)絡(luò)、穩(wěn)定GAN訓(xùn)練，通過消融實驗顯示這些技術(shù)確實提高了異常檢測的效果。

創(chuàng)新點：

建立在雙指向性GAN的結(jié)構(gòu)上，因此也包括一個將數(shù)據(jù)樣本映射到潛在變量的編碼網(wǎng)絡(luò)，避免了昂貴的計算過程，潛在變量在測試時只需要在編碼網(wǎng)絡(luò)中通過一個簡單的前向傳播就可以獲得；

評價指標與AnoGAN不同；

結(jié)合最新進展以穩(wěn)定GAN訓(xùn)練過程。

A. GAN結(jié)構(gòu)

Dzz/ Dxz/ Dxx表示判別器，G為生成器，E為編碼器，這些網(wǎng)絡(luò)在訓(xùn)練時同時學(xué)習(xí)。

B. 穩(wěn)定的GAN訓(xùn)練過程

C. 檢測異常

ALAD是以重建為基礎(chǔ)的異常檢測技術(shù)，主要評估測試樣本與GAN的生成圖像差異。正常樣本會通過GAN精準重建，而異常樣本重建的差異將非常大。首先需要使用GAN，對數(shù)據(jù)分布進行有效建模；同時我們需要學(xué)習(xí)數(shù)據(jù)的流形以便恢復(fù)精確的潛在表達。這兩個對稱的條件熵循環(huán)一致正則項能夠保證這兩點。

十字為異常樣本，圈為正常樣本。

另一個ALAD的重要組成部分是使用異常分數(shù)量化原始樣本和重建樣本之間的距離，本文提出在特征空間中計算循環(huán)一致性判別器Dxx的樣本距離。

f(·,·) 表示給定一對輸入樣本時Dxx網(wǎng)絡(luò)中在logits前一層的激勵函數(shù)，A(x) 值越大，樣本更可能為異常。這個損失靈感來源于GAN穩(wěn)定訓(xùn)練中的特征匹配損失，但不同的是本文使用的是Dxx判別器（兩個輸入）。

?

實驗

圖像數(shù)據(jù) ：SVHN & CIFAR-10

以一類為正常圖像，其余9類均為異常。對于每個數(shù)據(jù)集，使用80%數(shù)據(jù)用于訓(xùn)練，剩余20%作為測試數(shù)據(jù)；在訓(xùn)練集中額外分出25%作為驗證集，在訓(xùn)練、驗證集中不使用任何異常樣本。

本文使用AUROC評價模型。

Baseline

• OC-SVM
• Isolation Forests
• DSEBM：基于能量的模型算法中的SOTA
• DAGMM：基于自動編碼器算法中的SOTA
• AnoGAN：唯一基于GAN的異常檢測算法

圖像數(shù)據(jù)集實驗結(jié)果

誤差分析

第一行為正常類別，第二行為正常類別的重建圖像；第三行為異常類別，第四行為異常類別的重建圖像。

消融實驗

SN：譜歸一化

DL：潛在空間中的判別器

不同的異常分數(shù)模型實驗

?

?

總結(jié)

以上是生活随笔為你收集整理的[Notes] 2018 ALAD：Adversarial Learned Anomaly Detection的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。