A GAN-based anomaly detector using multi-feature fusion and selection
Notice bibliographique
Résumé
In numerous applications, abnormal samples are hard to collect, limiting the use of well-established supervised learning methods. GAN-based models which trained in an unsupervised and single feature set manner have been proposed by simultaneously considering the reconstruction error and the latent space deviation between normal samples and abnormal samples. However, the ability to capture the input distribution of each feature set is limited. Hence, we propose an unsupervised and multi-feature model, Wave-GANomaly, trained only on normal samples to learn the distribution of these normal samples. The model predicts whether a given sample is normal or not by its deviation from the distribution of normal samples. Wave-GANomaly fuses and selects from the wave-based features extracted by the WaveBlock module and the convolution-based features. The WaveBlock has proven to efficiently improve the performance on image classification, object detection, and segmentation tasks. As a result, Wave-GANomaly achieves the best average area under the curve (AUC) on the Canadian Institute for Advanced Research (CIFAR)-10 dataset (94.3%) and on the Modified National Institute of Standards and Technology (MNIST) dataset (91.0%) when compared to existing state-of-the-art anomaly detectors such as GANomaly, Skip-GANomaly, and the skip-attention generative adversarial network (SAGAN). We further verify our method by the self-curated real-world dataset, the result show that our method is better than GANomaly which only use single feature set for training the model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».