[論文レビュー] Anomaly Detection with Adversarial Dual Autoencoders

Ha Son Vu, Daisuke Ueta+4 more|arXiv (Cornell University)|Feb 19, 2019

Anomaly Detection Techniques and Applications参考文献 10被引用数 35

ひとこと要約

本論文は Adversarial Dual Autoencoders (ADAE) を提案します。GAN ベースの異常検知フレームワークで、Generator と Discriminator のデュアルオートエンコーダ設定を用いて訓練の安定性を向上させ、異常スコアは Discriminator の再構成誤差から導出されます。

ABSTRACT

Semi-supervised and unsupervised Generative Adversarial Networks (GAN)-based methods have been gaining popularity in anomaly detection task recently. However, GAN training is somewhat challenging and unstable. Inspired from previous work in GAN-based image generation, we introduce a GAN-based anomaly detection framework - Adversarial Dual Autoencoders (ADAE) - consists of two autoencoders as generator and discriminator to increase training stability. We also employ discriminator reconstruction error as anomaly score for better detection performance. Experiments across different datasets of varying complexity show strong evidence of a robust model that can be used in different scenarios, one of which is brain tumor detection.

研究の動機と目的

• GAN を用いた半教師あり/教師なし異常検知を動機づけ、訓練の安定性の問題に対処する。
• 訓練を安定させるためのデュアルオートエンコーダ GAN フレームワークを導入する。
• 意味のある異常スコアとして discriminator 再構成誤差を活用する。
• 脳腫瘍検出を含む複雑さの異なるデータセットを横断して適用性を実証する。

提案手法

• GAN フレームワーク内で Generator と Discriminator の二つのオートエンコーダを実装し、訓練安定性を高める。
• 検出の異常スコアとして discriminator の再構成誤差を用いる。
• 敵対的訓練を活用して異常の特徴表現の質を向上させる。
• 複数の異なる複雑さのデータセットにわたって ADAE を検証し、ロバスト性を評価する。

実験結果

リサーチクエスチョン

• RQ1 Adversarial Dual Autoencoders は単一オートエンコーダ設定と比べて GAN ベースの異常検知における訓練安定性を改善できるか。
• RQ2 discriminator 再構成誤差を用いることは、複雑さの異なるデータセットで効果的な異常スコアを生み出すか。
• RQ3 Brain tumor detection のようなタスクで ADAE は他の GAN ベース異常検知法と比してどの程度性能を示すか。

主な発見

• ADAE は異なるレベルの複雑さを持つデータセットで堅牢性の強い証拠を示す。
• Discriminator の再構成誤差は意味のある異常スコアを提供し、検出性能を向上させる。
• デュアルオートエンコーダの設定は、対向的な異常検知における訓練安定性の向上に寄与する。
• 実世界のタスクである brain tumor detection への適用可能性を示す実験結果が得られた。