文献阅读：《Generative Adversarial Active Learning for Unsupervised Outlier Detection》-2020 trans

最新推荐文章于 2022-04-03 10:00:00 发布
最新推荐文章于 2022-04-03 10:00:00 发布
阅读量453 收藏 2
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Strive_For_Future/article/details/115839303
版权

文章工作：用GAN网络生成伪异常样本，结合已有正常样本，把异常检测转化为一个二分类任务

贡献1： 本文提出用GAN作为异常样本的生成器，使生成的异常是有意义的异常。（针对问题：为了应对高维空间中异常样本的稀疏性）

贡献2：把单生成器-单判别器的GAN网络，扩展成多生成器-单判别器的GAN网络，每个生成器在一个正常样本的子集上进行训练。（针对问题：单个GAN网络作为伪异常生成器容易过拟合：生成的伪异常侵入了正常样本的内部--模式崩溃）

（贡献3）：正常样本被划分为不同子集的方式：相似的样本应该有相似的特征，从而特征相近的样本应该是相似的。根据判别器D的输出特征，在样本空间对样本进行聚类，从而把训练集划分成不同的子集。

解释：这里说的“有意义的异常”是与空间中的随机采样得到的异常样本相比较。在样本空间中随机采样得到的异常样本，可能距离正常样本非常远，这些异常被称为是无意义的，因为它们无助于使模型学到更紧凑的正常样本分类边界。有意义的异常是指：分布在正常样本的外部，但是又距离正常样本非常近，有助于二分类器学习到正常样本紧凑边界的异常。

wzg2016
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Generative Adversarial Active Learning for Unsupervised Outlier Detection
Avrilzyx的博客
11-25 2772
1.INTRODUCTION 1.1 Outlier Detection应用领域 异常轨迹 运动目标检测 欺诈检测 新兴主题检测 医疗信息检测 1.2存在的问题 需要足够多的正常、异常的标签（非常昂贵） 通过假设整个数据集只包含正常实例，离群点检测通常被认为是一类分类问题。最直接的方法是为所有样本创建一个模型，然后根据与建立的正常配置文件的偏差计算离群值。 具体方法有基于统计的模型、基于回归的...
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
02-08
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
SO-GAAL:Generative Adversarial Active Learning for Unsupervised Outlier Detection
Arela651的博客
03-25 1024
SO-GAAL、异常检测
【Active Learning - 04】Generative Adversarial Active Learning
Houchaoqun_XMU的博客
04-28 2388
【2017.11.15】Generative Adversarial Active Learning 相关文档： 【2017】Generative Adversarial Active Learning.pdf【2017】Generative Adversarial Active Learning_PPT.pdf 学习笔记：GAN + Active learning 主要步骤： GANs ...
对抗式主动学习三部曲(GAAL 、VAAL、TA-VAAL)---入内不亏
qq_36317312的博客
04-03 2486
Generative Adversarial Active Learning–生成性对抗性主动学习 第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性, Abstract 提出了一种新的基于产生式对抗网络(GAN)的主动查询合成学习方法。 与常规的主动学习不同，该算法自适应地合成训练实例进行查询，提高了学习速度。 在某些情况下，该算法的性能优于传统的基于池的方法。 Introduction GAN(生成性对抗网络) GAN的想法很简单：以假乱真 涉及两个“对手”：Gen
对抗生成式主动学习 Generative Adversarial Active Learning
pkueecscss的博客
08-24 2544
Generative Adversarial Active Learning Paper Reading Note URL: https://arxiv.org/pdf/1702.07956v5.pdf TL;DR 第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性, ,利用已标注数据,用GAN生成uncertainty值高的"假"样本加速模型训练,在许多情况...
【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价
热门推荐
Houchaoqun_XMU的博客
07-08 2万+
主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.csdn.net/Houchaoqun_XMU/article/details/85245714 【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价：https://blog.csdn.net/Hou...
Generative-Adversarial-User-Model-for-Reinforcement-Learning-Based-Recommendation-System-Pytorch
05-24
生成的基于专家的用户模型用于基于学习的推荐系统Pytorch的强化学习 基于纸张的下相同的标题剖成Adverserial强化学习基于用户模型实现推荐系统的Pytorch执行 此回购包括： 必要数据（Yelp评论） ...
CartoonGAN: Generative Adversarial Networks for Photo Cartoonization
01-21
Yang Chen Yu-Kun Lai Yong-Jin Liu∗ Tsinghua University, China Cardiff University, UK Tsinghua University, China chenyang15@mails.tsinghua.edu.cn Yukun.Lai@cs.cf.ac.uk liuyongjin@tsinghua.edu.cn
Learning Generative Adversarial Networks 无水印pdf转化版
11-29
Learning Generative Adversarial Networks 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，...
Generative Adversarial Imitation Learning.pdf
09-02
关于Generative Adversarial Imitation Learning的原始论文，适合初学者对深度强化学习Generative Adversarial Imitation Learning的认识和了解
使用pytorch训练自己的数据集
qq_40356092的博客
09-09 6547
一、introduction 不得不说pytorch的功能十分强大，其中torchvision.datasets已经内置了常用的数据集，我们也可以使用datasets.ImageFolder来加载我们自己的数据集。如果你觉得这两个方法都不能很好的加载你想要的数据集，也可以通过继承dataset类来自定义自己的数据集加载方式。 本文主要介绍前两种加载数据集的方法，然后使用常见的卷积神经网络来训练并测试自己的数据集。 二、加载数据集 2.1 加载FashionMNIST数据集 def load_FashionM
【Active Learning - 13】总结与展望 & 参考文献的整理与分享（The End...）
Houchaoqun_XMU的博客
12-01 5764
写在前面： 本篇博文将作为“主动学习系列”博文的结尾。目前，本人在职的相关工作暂无与主动学习相关的需求。因此，之后大概率是不会再更新相关的博文了。能够分享的内容和资料，我都分享在这些博文了。希望能够对大家有帮助！ 主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.csdn.net/Ho...
【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）
Houchaoqun_XMU的博客
12-29 9835
主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.csdn.net/Houchaoqun_XMU/article/details/85245714 【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价：https://blog.csdn.net/Hou...
Outlier Detection
weixin_34262482的博客
08-23 164
1）正态分布数据,飘出95%的可能是异常值.变量var正态标准化,|var|<=1.96的可能是异常值,further chk needed！large sample better. 对于偏态分布的数据（histogram chk),这个方法貌似不是很好.   2）Boxplot Method 稳健，无正态分布假设. 箱线图判断异常值的标准以四分位数和四分位距为基础. 四分位距...
Generative Adversarial Active Learning生成性对抗性主动学习文献笔记
小鼠太郎的博客
09-08 562
文献1702.07956.pdf (arxiv.org) 生成性对抗性主动学习 介绍 这是第一个使用 GAN的主动学习工作，在它之后的GAN主动学习有不少，所以是首创性的工作，部分涉及分类的内容一笔带过。 背景1：主动学习 拿来了当初介绍主动学习的ppt，总得来说可以帮助我们用少量的标记获得不错的训练效果，其重点主要在于挑选送于专家人工标记样本的策略上。 这是一个基于池主动学习与本文方法的一个对比，其中池指的是unlabeled,，其方法就是从池里面挑选一部分样本交给专家标记...
【阅读】Generative Adversarial Active Learning
w.here的CSDN
01-03 1068
以下文章写得不错，可以借鉴学习，侵删。 对抗生成式主动学习 Generative Adversarial Active Learning_pkueecscss的博客-CSDN博客_对抗主动学习Generative Adversarial Active LearningPaper Reading NoteURL: https://arxiv.org/pdf/1702.07956v5.pdfTL;DR第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性,,利用已标注数据,用
【文献阅读】Perceptual Generative Adversarial Networks for Small Object Detection –CVPR-2017
最新发布
06-06
好的，我了解了你的要求。关于你提到的这篇论文，是一篇关于小目标检测的研究，作者提出了一种基于感知生成对抗网络（PGAN）的方法来解决小目标检测问题。该方法通过对图像进行重新调整和增强，从而提高目标检测的精度和鲁棒性。这篇论文发表在2017年的计算机视觉与模式识别会议（CVPR）上。如果你还有其他问题，可以随时问我。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值