[论文解读] A Survey on GANs for Anomaly Detection

Federico Di Mattia, Paolo Galeone+2 more|arXiv (Cornell University)|Jun 27, 2019

Anomaly Detection Techniques and Applications参考文献 6被引用 114

一句话总结

本文综述了基于GAN的主要异常检测方法（AnoGAN、BiGAN/EGBAD、GANomaly），在多个数据集上给出经验评估，并发布了一个开源的异常检测工具箱。

ABSTRACT

Anomaly detection is a significant problem faced in several research areas. Detecting and correctly classifying something unseen as anomalous is a challenging problem that has been tackled in many different manners over the years. Generative Adversarial Networks (GANs) and the adversarial training process have been recently employed to face this task yielding remarkable results. In this paper we survey the principal GAN-based anomaly detection methods, highlighting their pros and cons. Our contributions are the empirical validation of the main GAN models for anomaly detection, the increase of the experimental results on different datasets and the public release of a complete Open Source toolbox for Anomaly Detection using GANs.

研究动机与目标

• 将异常检测确立为一个通过对抗训练对正常行为进行建模的问题。
• 总结并比较用于异常检测的基于GAN的架构（AnoGAN、EGBAD、GANomaly）。
• 在多个数据集上提供经验验证，并配置一个可复制的公开工具箱。

提出的方法

• 阐释GAN的基础及关键扩展（条件GAN、BiGAN）。
• 描述 AnoGAN 作为从数据映射到潜在空间再映射回用于异常分数的方式。
• 介绍 BiGAN/EGBAD，以实现编码器学习、提高推理速度和逆映射。
• 详细介绍 GANomaly，结合自编码器样式结构与GAN训练及多种损失组件。
• 公开发布一个基于TensorFlow的异常检测工具箱并复现多种配置。

实验结果

研究问题

• RQ1 基于GAN的框架如何对正常数据进行建模以实现有效的异常检测？
• RQ2 AnoGAN、BiGAN/EGBAD 和 GANomaly 在异常检测中的优点与局限性是什么？
• RQ3 是否可以用一个统一的 TensorFlow 实现来复现并比较这些基于GAN的方法在不同数据集上的表现？
• RQ4 不同的损失形式和架构如何影响检测性能与推理速度？

主要发现

• 基于GAN的方法在图像和表格数据的异常检测中可能有效。
• 在实践中，BiGAN/EGBAD 和 GANomaly 提供比 AnoGAN 更快的推理速度和更可解释的异常分数。
• GANomaly 在训练阶段使用编码器，并以自编码器风格的生成器来加速学习并提高可解释性。
• 在 KDD 上，BiGAN/EGBAD 的精准率、召回率和 F1 分别高于 GANomaly（0.941174, 0.956155, 0.948605 对比 0.830256, 0.841112, 0.835648）。
• 作者发布了一个基于 TensorFlow 的开源异常检测工具箱，便于复现与扩展。