Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN

要約

この研究では、再構成エラーのサイクル一貫性を通じて敵対的生成ニューラル ネットワーク (GAN) の能力を活用した、現実世界のアプリケーションにおける異常検出のための敵対的手法を紹介します。
以前の方法には、クラスごとの精度間のばらつきが大きく、すべてのタイプの異常に適用できないという問題がありました。
RCALAD と呼ばれる提案された方法は、新しい識別器を構造に導入することによってこの問題を解決しようとします。これにより、より効率的なトレーニング プロセスが実現します。
さらに、RCALAD は入力空間に補足分布を採用して、再構成を正規のデータ分布に向けて誘導し、再構成から異常なサンプルを効果的に分離し、より正確な異常検出を容易にします。
モデルのパフォーマンスをさらに強化するために、2 つの新しい異常スコアが導入されました。
提案されたモデルは、6 つのさまざまなデータセットに対する広範な実験を通じて徹底的に評価され、既存の最先端モデルよりも優れていることを示す結果が得られました。
このコードは、研究コミュニティ (https://github.com/zahraDehghanian97/RCALAD) ですぐに入手できます。

要約(オリジナル)

This study presents an adversarial method for anomaly detection in real-world applications, leveraging the power of generative adversarial neural networks (GANs) through cycle consistency in reconstruction error. Previous methods suffer from the high variance between class-wise accuracy which leads to not being applicable for all types of anomalies. The proposed method named RCALAD tries to solve this problem by introducing a novel discriminator to the structure, which results in a more efficient training process. Additionally, RCALAD employs a supplementary distribution in the input space to steer reconstructions toward the normal data distribution, effectively separating anomalous samples from their reconstructions and facilitating more accurate anomaly detection. To further enhance the performance of the model, two novel anomaly scores are introduced. The proposed model has been thoroughly evaluated through extensive experiments on six various datasets, yielding results that demonstrate its superiority over existing state-of-the-art models. The code is readily available to the research community at https://github.com/zahraDehghanian97/RCALAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google