生成式对抗网络异常检测，GANs for Anomaly Detection

摘要

异常检测是许多研究领域所面临的重要问题。探测并正确地将一些看不见的东西分类为异常是一个具有挑战性的问题，多年来已经通过许多不同的方式解决了这个问题。生成对抗网络(GANs)和对抗训练过程最近被用来面对这一任务，产生了显著的结果。在本文中，我们综述了主要的基于GAN的异常检测方法，并突出了它们的优缺点。在不同数据集上的实验结果的增加，以及使用GAN的异常检测的完整开源工具箱的公开发布。

引言

异常是数据中不符合正常行为的定义(Chandola et al., 2009)的模式。生成式对抗网络(GAN)和对抗训练框架(Goodfellow et al., 2014)已成功应用于真实世界数据复杂和高维分布的建模。这种GAN特性表明它们可以成功地用于异常检测，尽管它们的应用只是最近才被探索出来。使用GAN进行异常检测的任务是使用对抗性训练过程建模正常行为，并测量异常评分来检测异常(Schlegl等人，2017)。据我们所知，所有基于gan的异常检测方法都是基于对抗性特征学习思想(Donahue et al., 2016)，其中提出了BiGAN架构。在最初的公式中，GAN框架学习了一个将样本从任意潜在分布(噪声之前)映射到数据的生成器，以及一个试图区分真实样本和生成样本的鉴别器。BiGAN架构扩展了原始的模拟，增加了逆映射的学习，将数据映射回潜在的表示。一个将输入数据映射到其潜在表示的学习函数和一个相反的函数(生成器)是使用GAN进行异常检测的基础。

论文组织如下。在第1节，我们介绍了GANs框架，并简要介绍了其最具创新性的扩展，即条件GAN和BiGAN，分别在第1.2节和第1.3节。第2节介绍了使用GAN进行异常检测的最新架构。在第3节中，我们对所有分析的架构进行了经验评估。最后，第四部分是结论和未来的研究方向.