[论文解读] Fence GAN: Towards Better Anomaly Detection

Cuong Phuc Ngo, Amadeus Aristo Winarto+4 more|arXiv (Cornell University)|Apr 2, 2019

Anomaly Detection Techniques and Applications参考文献 28被引用 7

一句话总结

Fence GAN（FGAN）提出了一种改进的生成对抗网络（GAN）损失函数，使生成器能够生成位于正常数据分布边界上的样本，而非与其重叠。这使得判别器的输出分数可直接用作异常分数，在无需架构修改或重建损失的情况下，在MNIST、CIFAR10和KDD99数据集上实现了最先进（SOTA）的性能表现。

ABSTRACT

Anomaly detection is a classical problem where the aim is to detect anomalous data that do not belong to the normal data distribution. Current state-of-the-art methods for anomaly detection on complex high-dimensional data are based on the generative adversarial network (GAN). However, the traditional GAN loss is not directly aligned with the anomaly detection objective: it encourages the distribution of the generated samples to overlap with the real data and so the resulting discriminator has been found to be ineffective as an anomaly detector. In this paper, we propose simple modifications to the GAN loss such that the generated samples lie at the boundary of the real data distribution. With our modified GAN loss, our anomaly detection method, called Fence GAN (FGAN), directly uses the discriminator score as an anomaly threshold. Our experimental results using the MNIST, CIFAR10 and KDD99 datasets show that Fence GAN yields the best anomaly classification accuracy compared to state-of-the-art methods.

研究动机与目标

• 为解决标准GAN训练目标与异常检测目标之间的错位问题，即生成样本与真实数据重叠会降低判别器的有效性。
• 通过修改GAN损失函数，促使生成器在正常数据分布的边界上生成样本，从而提升高维数据上的异常检测性能。
• 提出一种简单、即插即用的异常检测方法，仅依赖判别器分数，避免使用复杂的重建损失或辅助损失。
• 在多样化基准数据集上验证该方法的性能：MNIST、CIFAR10和KDD99网络入侵检测数据集。

提出的方法

• 引入一种改进的GAN损失函数，使生成器被训练为在真实数据分布的边界上生成样本，而非其内部。
• 通过引入带有超参数α和β的边界环绕损失，修改生成器的目标函数，以最大化生成样本与真实数据分布之间的距离。
• 在推理阶段直接使用判别器输出的真假概率分数作为异常分数，从而无需重建或特征匹配。
• 以标准对抗方式训练GAN，采用改进后的目标函数，保持原始GAN的架构和训练流程不变。
• 引入分散损失（dispersion loss），以促进边界生成样本的多样性，防止模式崩溃。
• 为判别器使用类似铰链（hinge-like）的损失函数，以提升训练稳定性并增强边界分离能力。

实验结果

研究问题

• RQ1 将GAN损失修改为在正常数据分布边界上生成样本，是否能提升异常检测性能？
• RQ2 直接使用判别器分数作为异常分数，是否优于基于重建或特征匹配的分数？
• RQ3 对GAN目标函数进行简单修改，是否能超越如GANomaly或Efficient GAN等复杂GAN-based异常检测方法？
• RQ4 Fence GAN在多样化数据集上的表现如何，包括图像数据（MNIST、CIFAR10）和表格型网络入侵数据（KDD99）？

主要发现

• 在KDD99数据集上，Fence GAN取得了0.95 ± 0.02的F1分数，优于Efficient-GAN（0.91 ± 0.07）及其他SOTA方法。
• 在CIFAR10上，Fence GAN在所有对比方法中实现了最高的平均异常检测准确率，判别器分数能清晰区分异常与正常类别。
• 在MNIST上，Fence GAN在区分异常数字与正常数字方面表现出色，异常样本的判别器分数保持一致且较高。
• 仅依赖判别器分数即可实现高精度异常检测，无需额外的重建或特征匹配损失。
• 该方法在不修改网络架构的前提下，仅通过损失函数调整，即实现了SOTA性能，完全基于标准GAN框架。