异常检测之GAN＜初探＞

异常检测之GAN<初探>

“知之为知之，不知为不知，是知也”。
异常检测让机器知道“我不知道这件事情”。

最近花了些力气，看异常检测的相关文献，在图像异常检测这里，用GAN做是一个新趋势，对比一下比较新的三个GAN工作的优劣。

AnoGAN

论文链接：https://arxiv.org/pdf/1703.05921.pdf
中心思想让 G(z) 生成的 x’，让 discriminate觉得 x’ 接近于 x，如果x’和x并不相似，则说明是异常点。

网络结构（图源于论文）
优点：
1.将GAN用于异常检测的开创性工作；
2.介绍了将原始数据映射到潜在空间的一中映射方式；
3.定义异常置信分数的方式：生成的图像和原始图像的L1损失(即discriminate loss)。
缺点：
1每输入一张图片进行异常判断时，都需要一定的步数去调参，时间代价大。
2.在训练过程中，没有考虑逆映射的效果；
3.设置的异常检测的置信分数定义的可解释性差。

EGBAD

论文链接：https://arxiv.org/pdf/1802.06222.pdf

网络结构（图源于论文）
相比于，在training的时候就加入了encoder去联合训练，省去了每输入一张新的图片就需要调参的时间代价。
优点：
1.在对抗训练中，Encoder E能够学习到对图像进行编码，相对对于AnoGAN节约了时间开支，速度变快。
缺点：
同AnoGAN

GANomaly

论文链接：https://arxiv.org/pdf/1805.06725.pdf
GANomaly相对于EGBAD，除了Encoder和Decoder，还会把restructure的图片再encode一次，仅仅在正常样本上进行训练。

网络结构（图源于论文）
优点：
1.在对抗训练中，Encoder E能够学习到对图像进行编码，相对对于AnoGAN节约了时间开支，速度变快。
2.使用类似了autoencoder的结构（忽略了噪声先验），使整个训练过程变快；
3.定义的contextual loss可以定位异常，因为contextual loss描述了原图编码和重建图的编码的差异。
缺点：
1.定义了一个新的异常检测的置信分数，但是没有和其他异常置信分数进行比较；
2.结果的置信分数很高，表明原图编码和生成图编码是十分相似的，但是原图和生成图的相似度无法保证。