[논문 리뷰] Efficient GAN-Based Anomaly Detection

Houssam Zenati, Chuan-Sheng Foo외 3명|arXiv (Cornell University)|2018. 02. 17.

Anomaly Detection Techniques and Applications참고 문헌 16인용 수 483

한 줄 요약

이 논문은 엔코더가 있는 BiGAN 유사 프레임워크를 사용하여 효율적인 이상 탐지를 가능하게 하며, MNIST와 KDD99에서 최첨단 성능을 달성하고, 이전 GAN 기반 방법들에 비해 테스트 시 추론이 훨씬 더 빠르다.

ABSTRACT

Generative adversarial networks (GANs) are able to model the complex highdimensional distributions of real-world data, which suggests they could be effective for anomaly detection. However, few works have explored the use of GANs for the anomaly detection task. We leverage recently developed GAN models for anomaly detection, and achieve state-of-the-art performance on image and network intrusion datasets, while being several hundred-fold faster at test time than the only published GAN-based method.

연구 동기 및 목표

• 엔트로가 같은 GAN으로 정상 데이터 분포를 모델링한다.
• 엔코딩을 학습에 통합하여 테스트 시 비용이 많이 드는 잠재 임베딩 복구를 피한다.
• 재구성 손실과 판별자 기반 손실을 결합한 이상 점수 A(x)를 정의한다.
• 이미지(MNIST) 및 네트워크 침입(KDD99) 데이터셋에서 최첨단 성능을 입증한다.

제안 방법

• 정상 데이터에 대해 G, E, D를 동시에 학습하기 위해 BiGAN 스타일 학습을 채택한다.
• 인코더와 제너레이터를 통해 x와 z를 정렬시키는 손실 V(D,E,G)의 min_G,E, max_D를 최적화한다.
• A(x) = α L_G(x) + (1−α) L_D(x)로 이상 점수를 정의하고 L_G(x) = ||x − G(E(x))||_1 로 정의한다.
• L_D에 대해 두 가지 변형을 평가한다: 교차 엔트로피 σ(D(x,E(x)),1)와 특징 일치 ||f_D(x,E(x)) − f_D(G(E(x)),E(x))||_1.
• 특징 일치 L_D(FM)가 이상 점수에서 교차 엔트로피 σ보다 성능을 향상시킨다는 것을 보인다.
• AnoGAN 및 VAE와 비교하고 MNIST와 KDD99 결과 및 추론 시 속도 향상을 보고한다.

실험 결과

연구 질문

• RQ1 테스트 시 잠재 복구를 필요로 하지 않는, 제너레이터와 함께 학습된 엔코더를 가진 GAN이 효율적인 이상 탐지를 수행할 수 있는가?
• RQ2 이미지 및 네트워크 트래픽과 같은 고차원 데이터에서 GAN 학습에 엔코더를 도입하면 이상 탐지가 향상되는가?
• RQ3 BiGAN 기반 이상 탐지기가 MNIST와 KDD99에서 정확도와 속도 면에서 기존 GAN 기반 및 비-GAN 방법과 비교하여 어떤가?
• RQ4 이상 점수에서 특징 매칭 판별기 손실과 교차 엔트로피 판별기 손실의 사용이 어떤 영향을 미치는가?

주요 결과

모델	정밀도	재현율	F1
OC-SVM	0.7457	0.8523	0.7954
DSEBM-r	0.8521	0.6472	0.7328
DSEBM-e	0.8619	0.6446	0.7399
DAGMM-NVI	0.9290	0.9447	0.9368
DAGMM	0.9297	0.9442	0.9369
AnoGAN FM	0.8698	0.9523	0.9058
AnoGAN σ	0.7790	0.7914	0.7852
Our Model FM	0.8698	0.9523	0.9058
Our Model σ	0.9200	0.9582	0.9372

• MNIST에서 BiGAN 기반 방법은 10개의 MNIST 파생 이상 태스크에서 AUPRC 면에서 AnoGAN과 VAE를 능가한다.
• L_D의 FM 변형이 σ 변형보다 이상 점수에 있어 더 나은 성능을 보이며, 판별자 특징이 탐지에 유익하다는 것을 일관되게 보여준다.
• 추론 시속도는 AnoGAN에 비해 극적으로 빨라지며(대략 800배 빠름, MNIST 기준).
• KDD99에서는 방법이 최첨단 성능에 근접하거나 더 나은 재현율을 달성하면서도 속도 면에서 큰 이점을 제공한다(700배에서 900배 빠름).
• AnoGAN-FM과 BiGAN 기반 방법은 고차원 데이터에 대해 교차 데이터셋 일반화가 강하다.