杜伦大学提出GANomaly：无需负例样本实现异常检测

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 105 篇文章

本期推荐的论文笔记来自 PaperWeekly 社区用户 @TwistedW。在异常检测模块下，如果没有异常（负例样本）来训练模型，应该如何实现异常检测？本文提出的模型——GANomaly，便是可以实现在毫无异常样本训练下对异常样本做检测。

如果你对本文工作感兴趣，点击底部阅读原文即可查看原论文。

关于作者：武广，合肥工业大学硕士生，研究方向为图像生成。

■ 论文 | GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training

■ 链接 | https://www.paperweekly.site/papers/2293

■ 源码 | https://github.com/samet-akcay/ganomaly

异常检测（Anomaly Detection）是计算机视觉中的一个经典问题，生活中大部分的数据是正常数据，有很少一部分属于异常数据，在很少的异常下如何检测出异常是一个困难的课题，甚至不知道什么是异常，只知道不属于正常的就算异常的话又如何检测异常呢？GANomaly 便是可以实现在毫无异常样本训练下对异常样本做检测，我们一起来读一下。

论文引入

在计算机视觉上大部分的检测任务的前提是需要大量的标记数据做训练，这虽然在成本上耗费巨大，但是在实验效果上确实有很大的突破，目前的目标检测技术已经上升到近乎实时检测的效果了，背后的人力和成本也是可想而知的。

在庞大的目标检测背景下，异常检测算是一个特立独行的分支，虽然只是判断正常和异常两种情况（二分类问题），但是往往异常样本特别的少，如果从特征提取上区分正常和异常的话，由于训练样本过少或者说是训练样本比例太不平衡（正常样本特别多）往往会导致实验结果上不尽如人意。 

异常检测的发展在深度学习的浪潮下得到了很快的发展，基于 CNN，RNN、LSTM 技术上已经取得了一定的成效。随着 GAN 的提出，对抗的思想越来越引人注意，利用 GAN 做异常检测的文章在实验上有了一定的突破，从 AnoGAN [1] 学习到正常样本的分布，一旦送入异常样本数据发生改变从而检测出异常，这种方法的局限性很强，往往也会带来计算成本的昂贵（需要严格的控制先验分布 z）。在此基础上，为了找到更好用作生成的先验分布 z，在 AnoGAN 的基础上提出了 Efficient-GAN-Anomaly [2] 同样由于做个一次重新映射导致计算成本上也是庞大的。 

GANomaly 算是在前两篇文章的基础上做了一次突破，不再比较图像分布了，而是转眼到图像编码的潜在空间下进行对比。对于正常的数据，编码解码再编码得到的潜在空间和第一次编码得到的潜在空间差距不会特别大。但是，在正常样本训练下的 AE 用作从未见过的异常样本编码解码时，再经历两次编码过程下往往潜在空间差距是大的。

当两次编码得到的潜在空间差距大于一定阈值的时候，我们就判定