[논문 리뷰] Anomaly Detection with Adversarial Dual Autoencoders

Ha Son Vu, Daisuke Ueta외 4명|arXiv (Cornell University)|2019. 02. 19.

Anomaly Detection Techniques and Applications참고 문헌 10인용 수 35

한 줄 요약

본 논문은 Adversarial Dual Autoencoders (ADAE)를 제안한다. 이는 Generator와 Discriminator를 위한 이중 오토인코더 구성을 이용한 GAN 기반 이상 탐지 프레임워크로, 학습 안정성을 개선하고, 이상 점수는 판별기의 재구성 오차로부터 유도된다.

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.

연구 동기 및 목표

• GAN을 사용한 준지도/비지도 이상 탐지의 필요성을 제시하고 학습 안정성 이슈를 해결한다.
• 학습 안정화를 위한 이중 자동인코더 GAN 프레임워크를 도입한다.
• 판별기 재구성 오차를 의미 있는 이상 점수로 활용한다.
• 뇌종양 탐지를 포함한 다양한 복잡성의 데이터셋에 걸친 적용 가능성을 시연한다.

제안 방법

• GAN 프레임워크 내에서 두 개의 자동인코더를 Generator와 Discriminator로 구현하여 학습 안정성을 강화한다.
• 탐지를 위한 이상 점수로 판별기의 재구성 오차를 사용한다.
• 적대적 학습을 활용하여 이상 특성화를 위한 표현의 질을 향상시킨다.
• 다양한 복잡성의 다중 데이터셋에서 ADAE를 검증하여 강인성을 평가한다.

실험 결과

연구 질문

• RQ1 단일 오토인코더 구상과 비교하여 Adversarial Dual Autoencoders가 GAN 기반 이상 탐지에서 학습 안정성을 향상시킬 수 있는가?
• RQ2 다양한 복잡성의 데이터셋에서 판별기의 재구성 오차를 사용하면 효과적인 이상 점수를 얻을 수 있는가?
• RQ3 뇌종양 탐지와 같은 과제에서 ADAE가 다른 GAN 기반 이상 탐지 방법들에 비해 어느 정도의 성능을 보이는가?

주요 결과

• ADAE는 서로 다른 복잡도 수준의 데이터셋에서 강건성에 대한 강력한 증거를 보여준다.
• 판별기 재구성 오차가 의미 있는 이상 점수를 제공하여 탐지 성능을 향상시킨다.
• 이중 자동인코더 구성이 적대적 이상 탐지에서 학습 안정성을 개선하는 데 기여한다.
• 실험은 ADAE가 뇌종양 탐지와 같은 실제 작업에 효과적으로 적용될 수 있음을 시사한다.