【TPAMI2023】基于条件生成对抗网络和集成主动学习的有监督异常检测

TPAMI是模式分析与机器智能IEEE汇刊，中国计算机学会和中国自动化学会等多个学会将其定位为：国际上极少数的顶级刊物，鼓励我国学者去突破。TPAMI影响因子为24.314， 2020年位居计算机工程、电子工程及人工智能相关期刊之首。

https://ieeexplore.ieee.org/document/9965739 异常检测在机器智能中有着广泛的应用，但仍然是一个尚未解决的难题。主要挑战包括标记异常的稀缺性，这是一个类别高度不平衡的问题。传统的无监督异常检测器是次优的，而有监督模型很容易对正常数据做出有偏差的预测。本文通过引入新颖的集成主动学习生成对抗网络(Ensemble Active Learning Generative Adversarial Network, EAL-GAN)，提出了一种新的有监督异常检测器。EAL-GAN是一种条件GAN，具有独特的单生成器vs多鉴别器架构，其中异常检测由鉴别器的辅助分类器实现。除了使用条件GAN生成类平衡的补充训练数据外，设计了一种创新的集成学习损失函数，确保每个鉴别器都能弥补其他鉴别器的不足，以克服类不平衡问题，并引入了一种主动学习算法，以显著降低标记真实世界数据的成本。本文提出了广泛的实验结果，表明新的异常检测器始终以显著的优势优于各种SOTA方法。