[论文解读] 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 35

一句话总结

本论文提出对抗式双自编码器（ADAE），一种基于GAN的异常检测框架，使用双自编码器设置作为 Generator 和Discriminator 来提升训练稳定性，异常分数来自判别器的重构误差。

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.

研究动机与目标

• 动机：使用 GAN 推动半监督/无监督异常检测，并解决训练稳定性问题。
• 引入一种双自编码器 GAN 框架以稳定训练。
• 利用判别器的重构误差作为有意义的异常分数。
• 证明在不同复杂度的数据集上 的适用性，包括脑肿瘤检测。

提出的方法

• 在 GAN 框架内实现两个自编码器作为 Generator 和 Discriminator，以提升训练稳定性。
• 使用判别器的重构误差作为检测的异常分数。
• 利用对抗训练来提升表征质量以用于异常特征描述。
• 在多份具有不同复杂度的数据集上验证 ADAE 以评估鲁棒性。

实验结果

研究问题

• RQ1 与单一自编码器设置相比，Adversarial Dual Autoencoders 能否在基于 GAN 的异常检测中改善训练稳定性？
• RQ2 使用判别器的重构误差是否在不同复杂度的数据集中产生有效的异常分数？
• RQ3 在如脑肿瘤检测等任务中，ADAE 相对于其他基于 GAN 的异常检测方法的性能如何？

主要发现

• ADAE 在不同复杂度的数据集上显示出强鲁棒性证据。
• 判别器的重构误差提供了有意义的异常分数，提升了检测性能。
• 双自编码器设置有助于在对抗性异常检测中提高训练稳定性。
• 实验表明 ADAE 可以有效应用于现实世界任务，如脑肿瘤检测。