基于记忆增强GAN的异常检测

Computer Science（2022）

引用 0|浏览2

暂无评分

摘要

基于生成式对抗网络(Generative Adversarial Networks,GAN)的异常检测方法在训练阶段训练集仅由正常数据构成,当训练数据较为充分时,它在该训练集上能够取得较小的重构误差.然而在测试阶段,正常数据的重构误差和部分异常数据的重构误差之间的差别很小,使得基于GAN的异常检测方法的判别性能较差.为了解决该问题,提出了基于记忆增强GAN的异常检测方法.在基于GAN的异常检测方法中加入记忆增强模块,使模型能够记忆正常数据的特征,从而使得异常数据的重构误差变大,该方法的判别性能得到增强.在MNIST,Fashion-MNIST和CIFAR-10上的实验结果表明,与相关方法相比,所提方法具有更优的检测性能.

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要