Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

用生成式对抗网络进行无监督异常监测

GAN主要思想：以子之矛攻子之盾
两个模型，一个生成式模型G，一个判别式模型D，G生成假样本，D判别输入样本是真还是假，二者进行对抗，也就是G要生成样本使得D分辨不出来其是真是假，而如果有样本是属于G生成的假样本，D要有足够能力判别出来，结果可以使得G生成的样本越来越接近真实样本，而D这个判别器的性能也达到了最优。

利用GAN进行异常检测的思想和GAN算法有些不同：
同样是两个模型G和D，但是G不是生成假的样本，而是根据输入的正常样本，找到一个隐空间z，使得数据在隐空间的分布G(z)和x的分布保持一致（学习数据分布）；然后对于新样本y，得到其在隐空间z的分布G(z)，如果G(z)和y是一致的，那么说明这个样本y是正常样本，否则y就是异常（判断分布的一致性）。这里G不是单纯依赖D最终结果的反馈，而是从训练过程中的D的特征表示中获得丰富的信息，所以D是一个特征提取器。
损失函数：
G： 如果G(z)和x一致，则loss为0.
D：，f是D的中间层，如果新数据x的特征表示和其隐空间的表示是一致的，则loss为0。