Construction d'espace latent pour la détection d'anomalies par apprentissage adversarial - Université d'Évry Access content directly
Conference Papers Year : 2019

Modèles génératifs, apprentissage automatique, détection d'anomalie

Construction d'espace latent pour la détection d'anomalies par apprentissage adversarial

Abstract

La détection d'anomalies est un problème récurrent en Machine Learning. Des techniques récentes cherchentà exploiter le potentiel des GAN (Genera-tive Adversarial Networks) pour détecter les anomalies de façon indirecte, dans l'espace des données ; elles se fondent sur l'idée que le générateur ne peut pas recons-truire une anomalie. Nous développons une approche alternative, basée sur un Encoding Adversarial Network (ANOEAN), qui projette les données dans un espace latent, où la détection d'anomalies se fait de façon directe, en calculant un score. Notre encodeur est appris par adversarial learning, en utilisant deux fonctions de perte, la première contraignant l'encodeur a modéliser les données normales dans un espace qui suit une distribution gaussienne, et la seconde,à proje-ter des données anormales en dehors de cette distribution. Nous conduisons une série d'expériences sur plu-sieurs bases standard, et montrons que notre approche dépasse l'état de l'art lorsqu'on utilise 10% d'anomalies lors de l'apprentissage.
Fichier principal
Vignette du fichier
CAP__GAN_for_Anomaly_detection_review.pdf (322.39 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-02473865 , version 1 (11-02-2020)

Identifiers

  • HAL Id : hal-02473865 , version 1

Cite

Elies Gherbi, Blaise Hanczar, Jean-Christophe Janodet, Witold Klaudel. Construction d'espace latent pour la détection d'anomalies par apprentissage adversarial. Conférence sur l'Apprentissage automatique (CAP 2019), Jul 2019, Toulouse, France. ⟨hal-02473865⟩
185 View
1037 Download

Share

Gmail Facebook X LinkedIn More