Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

用生成式对抗网络进行无监督异常监测

GAN主要思想:以子之矛攻子之盾
两个模型,一个生成式模型G,一个判别式模型D,G生成假样本,D判别输入样本是真还是假,二者进行对抗,也就是G要生成样本使得D分辨不出来其是真是假,而如果有样本是属于G生成的假样本,D要有足够能力判别出来,结果可以使得G生成的样本越来越接近真实样本,而D这个判别器的性能也达到了最优。

利用GAN进行异常检测的思想和GAN算法有些不同:
同样是两个模型G和D,但是G不是生成假的样本,而是根据输入的正常样本,找到一个隐空间z,使得数据在隐空间的分布G(z)和x的分布保持一致(学习数据分布);然后对于新样本y,得到其在隐空间z的分布G(z),如果G(z)和y是一致的,那么说明这个样本y是正常样本,否则y就是异常(判断分布的一致性)。这里G不是单纯依赖D最终结果的反馈,而是从训练过程中的D的特征表示中获得丰富的信息,所以D是一个特征提取器。
损失函数:
G:在这里插入图片描述 如果G(z)和x一致,则loss为0.
D:在这里插入图片描述,f是D的中间层,如果新数据x的特征表示和其隐空间的表示是一致的,则loss为0。

你可能感兴趣的:(Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery)