GANomaly: Semi-Supervised AnomalyDetection via Adversarial Training GANomaly:基于对抗训练的半监督异常检测

本文主要是介绍GANomaly: Semi-Supervised AnomalyDetection via Adversarial Training GANomaly:基于对抗训练的半监督异常检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

作者：Samet Akcay 1, Amir Atapour-Abarghouei 1，和Toby P. breckon 1,2英国杜伦大学计算机科学系

术语：exemplary data 示例数据、within this challenging context 在这种具有挑战性的背景下、

Abstract

我们引入了一种新的异常检测模型，通过使用条件生成对抗网络，联合学习高维图像空间的生成和潜在空间的推断。在生成器网络中使用编码器-解码器-编码器子网络使模型能够将输入图像映射到低维向量，然后用于重建生成的输出图像。附加编码器网络的使用将此生成的图像映射到其潜在表示。训练过程中最小化这些图像与潜在向量之间的距离，助于学习正态样本的数据分布。在推断时，与学习到的数据分布的更大距离度量表明该分布是异常。对来自不同领域的几个基准数据集的实验表明，模型的有效性和优于先前最先进的方法。

1 Introduction

监督方法在很大程度上依赖于大型的标记数据集。我们的评估中考虑的一个具体应用是航空或边境安全的x射线筛查。模型在正常样本(a)上进行训练，并在正常和异常样本(b)上进行测试。当模型的输出大于某个阈值a (x) > φ时，就会检测到异常。

如上图所示，异常检测任务的正式问题定义如下:给定一个数据集D，其中包含大量用于训练的正常样本X，以及相对较少的用于测试的异常样本X^，对模型f的参数θ进行优化。f在训练过程中学习正常样本的数据分布pX，在测试过程中通过输出异常分数A(x)将异常样本识别为离群值，其中x为给定的测试示例。较大的A(x)表示测试图像中可能存在异常，因为f在训练过程中学习最小化输出分数。A(x)具有一般性，它可以检测出不符合pX的不可见异常。

各种应用领域中的异常检测模型[2-4,23,39]，相当多的工作对文献中的方法进行了分类[9,19,28,29,33]。生成对抗网络(GAN)已成为跨无监督和半监督问题的领先方法。正如[23]中所述，对抗训练也在最近的异常检测工作中被采用。

使用单色图像作为我们方法的输入，仅从正常(非异常)训练示例集中提取
我们的方法不需要两阶段的训练，并且对于模型训练和后来的推理(运行时测试)都是有效的。
关键新颖之处在于我们在编码器-解码器-编码器管道中使用对抗性自编码器，捕获图像和潜在向量空间中的训练数据分布。（实际上只基于正常的训练数据示例）

本文主要贡献：

半监督异常检测：在编码器-解码器-编码器管道中的新型对抗性自编码器，捕获图像和潜在向量空间中的训练数据分布，产生优于当代基于GAN和传统基于自编码器的方法的结果。
功效：一种高效和新颖的异常检测方法，在统计和计算上都有更好的表现。
可再现性：简单有效的算法，使结果可通过code公开复制。

Our Approach: GANomaly

GAN

这项工作最初的主要目标是产生逼真的图像。想法是两个网络(生成器和鉴别器)在训练过程中相互竞争，前者试图生成图像，而后者决定生成的图像是真还是假。

生成器：是一个类似解码器的网络，它从潜在空间中学习输入数据的分布。这里的主要目标是对捕获原始真实数据分布的高维数据进行建模。
鉴别器网络通常有一个经典的分类架构，读取输入图像，并确定其有效性(即真假)。

为了解决训练不稳定性问题，已经提出了几种经验方法[7,38]，著名研究是Radford和Chintala[34]的深度卷积GAN (Deep Convolutional GAN, DCGAN)，他们通过去除完全连接层，在整个网络中使用卷积层和批处理归一化，引入了一个全卷积生成网络。通过使用Wasserstein损失，GAN的训练性能得到进一步提高。

Adversarial Auto-Encoders (AAE)

由两个子网络组成，即编码器和解码器。
该结构将输入映射到潜在空间，并重新映射回输入数据空间，称为重建。
训练具有对抗设置的自编码器不仅可以更好地重建，而且可以控制潜在空间。

实验设置

有一个大的训练数据集D，只包含M个正常图像较小的测试数据集且给定数据集

首先对D建模以学习其流形
在推理阶段检测D^中的异常样本作为异常值
模型f学习正态数据分布并最小化输出异常分数A(x)
对于给定的测试图像^x, a (^x)的高异常分数表示图像中可能存在异常
评价标准为分数的阈值(φ)，其中A(^x) > φ表示异常

实验方法概述

包含两个编码器，一个解码器和鉴别器网络，在三个子网络中使用。

自编码器网络G。作为模型的生成器部分，学习输入数据表示，并分别通过使用编码器和解码器网络重建输入图像。
编码器网络E。对网络g重建的图像^x进行压缩。子网络E通过参数化明确地学习最小化距离。
鉴别器网络D。目标是将输入x和输出^x分别分类为真或假。该子网是DCGAN中引入的标准鉴别器网络。

模型训练

组合三个损失函数来制定目标函数，每个损失函数都优化单个子网络。

Adversarial Loss 敌对损失：
Contextual Loss 上下文损失：，
Encoder Loss 编码器损失：，为输入瓶颈特征，为生成图像的编码特征。

生成器的目标函数：。1、2损失可以强制生成器生成真实且符合上下文的图像。

模型检验

对于测试样本x^的异常分数定义：
特征缩放异常分数控制在[0,1]范围内：，，最终会产生一个异常得分向量S'，用于测试集D^的最后评估

所用数据集

MNIST。

将一个类别视为异常，而将其余类别视为正常类别。我们总共有十组数据，每组数据都将个别数字视为异常。

CIFAR10。

将一个类视为异常，其余类视为正常。然后，我们通过在后一种标签上训练模型来检测从前一类中提取的异常值。

University Baggage Anomaly Dataset | (UBA) 大学行李异常数据集。
Full Firearm vs. Operational Benign | (FFOB) 。

对以上4类数据集进行训练集和测试集分割的步骤如下：对正常样本进行分割，分别将80%和20%的样本视为训练集和测试集的一部分。然后我们将MNIST调整为32 ×32，UBA和FFOB分别调整为64 × 64。

我们的对抗训练也是基于标准的DCGAN方法进行一致的比较。因此，我们的目标是展示我们的多网络架构的优势，而不使用任何技巧来改进GAN训练。

还与传统的变分自编码器架构（VAE）进行了比较，显示我们的多网络架构的优势。

Results

knife的性能相对较低可能是因为它的形状简单，导致过拟合，从而导致高误报。就整体性能而言，我们的方法优于其他模型，在UBA和FFOB数据集上的AUC分别为0.666和0.882。

图5描述了超参数的选择最终如何影响模型的整体性能。

在图5 (a)中，我们看到，对于具有异常数字2的MNIST数据集，当潜在向量z的大小为100时，可以实现最佳性能。图5 (b)展示了调整公式4中的损失函数对整体性能的影响。当wbce = 1, wrec = 50, wenc = 1时，模型AUC最高。我们根据经验观察到其余数据集的调优模式相同。

图6提供了推理阶段(a)的异常分数直方图和从鉴别器网络的最后一层卷积提取的特征的t-SNE可视化(b)。这两幅图都显示了潜在向量z和特征f(:)空间之间的明显分离。

表2说明了基于GAN的模型的运行时性能。与其他方法相比，AnoGAN[39]的计算成本相当高，因为每个示例都需要对潜在向量进行优化。对于EGBAD[40]，我们报告了与原始论文相似的运行时性能。另一方面，我们的方法实现了最高的运行时性能。UBA和FFOB数据集的运行时性能与MNIST相当，尽管它们的图像和网络大小是MNIST的两倍。

真实图像和虚假图像，它们分别是我们模型的输入和输出。对于MNIST数据中的2类，MNIST数据集相对来说没有挑战性，并且模型学习了足够的信息，能够生成在训练期间未见过的样本。
尽管模型无法区分图像空间中的异常，但潜在向量空间中的距离为检测异常提供了足够的细节。图7 (b-c)说明该模型无法产生异常对象。
总的来说，这些结果表明，我们的方法在统计和计算上都优于领先的最先进的方法。