Detección de Anomalías Aprendida de Manera Adversarial

La detección de anomalías es un problema significativo y, por lo tanto, bien estudiado. Sin embargo, desarrollar métodos efectivos de detección de anomalías para datos complejos y de alta dimensión sigue siendo un desafío. Dado que las Redes Generativas Antagónicas (GAN) son capaces de modelar las complejas distribuciones de alta dimensión de los datos del mundo real, ofrecen un enfoque prometedor para abordar este desafío. En este trabajo, proponemos un método de detección de anomalías, Detección de Anomalías Aprendida de Manera Adversarial (ALAD), basado en GANs bidireccionales, que deriva características aprendidas de manera adversarial para la tarea de detección de anomalías. ALAD utiliza errores de reconstrucción basados en estas características aprendidas de manera adversarial para determinar si una muestra de datos es anómala. ALAD se basa en avances recientes para asegurar consistencias cíclicas en el espacio de datos y en el espacio latente y estabilizar el entrenamiento de GAN, lo que resulta en un rendimiento significativamente mejorado en la detección de anomalías. ALAD logra un rendimiento de vanguardia en una variedad de conjuntos de datos de imágenes y tabulaciones, siendo varias cientos de veces más rápido en el tiempo de prueba que el único método basado en GAN publicado.