FGAN 解读

代码链接：GitHub - sxxmason/FGANomaly: Implementation of FGANomaly 

级别：IEEE Trans

补充部分GAN的知识

1. 源于论文：《Generative Adversarial Nets》

2. GAN的网络框架：

3. “GAN” 与 “对抗样本” 的区别：

“对抗样本” 简介：

对输入图像进行迭代修改，误导神经网络 “指鹿为马”

与 “GAN” 的区别：

“对抗样本” 仅修改输入图像，不被用于网络训练

4. 目标函数（注意并非 “损失函数”）：

5. 图示说明 GAN 的训练过程：交替 训练 “判别器” 及 “生成器”

6. 具体算法流程：

(一) 前置知识

1. 观测值 Observation (Sample/Instance)：

单维时间序列 —— 标量；多维时间序列 —— m维张量；

2. 重建 / 重构（Reconstruction）：基于重构的异常检测方法 首先将 输入数据 分解为 其低维表示(或编码)，再用这些编码对输入数据进行重构；

3. 重建误差（Reconstruction error）：原始观测值与其相应重建值间的距离；

公式为：

4. 次优性能（sub-optimal performance）

5. 维度诅咒（dimensionality）

(二) 整体框架

(三) Methology

1. 面临的问题 ：

正常数据 + GAN → 遵循正常数据分布，生成正常数据，难以重建异常数据，易检测异常；

在实践中，建立一个仅由正常样本组成的训练集非常困难；当训练集被异常样本污染时；

→ GAN 捕获的数据分布不再准确

2.  Pseudo-Label and Filter GAN（伪标签 及 具备过滤功能的GAN）：

无监督学习（unsupervised learning）场景下，无法通过标签过滤噪音；

→ 生成基于 重建误差（reconstruction errors）的 伪标签（pseudo-labels）:

GAN 在训练初期捕获的异常分布不准确，引入平衡因子（a balance factor）：

 获得伪标签后，计算损失值：（我的理解：仅让正样本参与损失值计算）

3.  Adaptive Weighted Loss（自适应、带权重 的 损失机制）：

重建误差越大，观测值越可能出现异常 →

可在计算损失前为每个观测值分配一个权重：观测值越有可能为正例，分配给其的权重越大；

在每次迭代反向传播前，获得所有观测值的z-score：

z-score > 0 → 重构误差大于平均水平 → 权重 < 1/w （重构误差越大，对应权重越小）；

z-score＜0 → 重构误差小于平均水平 → 权重 ＞1/w （重构误差越小，对应权重越大）；

(四) 实验结果