融合互信息估计和对抗自编码器的异常检测

霍纬纲 Huo Weigang¹,王星²,梁锐¹

1. 中国民航大学
2.

收稿日期:2021-01-15修回日期:2021-03-18出版日期:2021-10-28发布日期:2021-09-06
通讯作者:霍纬纲 Huo WeigangE-mail:huowg2003@126.com

基金资助:中央高校基本科研业务费项目中国民航大学专项

An Anomaly Detection Method Combining Mutual Information Estimation with Adversarial AutoEncoder

Received:2021-01-15Revised:2021-03-18Online:2021-10-28Published:2021-09-06
Contact:霍纬纲 HuoWeigang E-mail:huowg2003@126.com

摘要/Abstract

摘要： 无监督或半监督深度学习网络的训练目标从信息论的角度可解释为最大化训练样本及其表示之间的互信息?对抗自编码器(Adversarial AutoEncoder, AAE)通过生成对抗的方式学习训练样本集的分布,据此可以由AAE建立基于正常样本集的半监督异常检测模型,但是AAE无法显式最大化正常样本及其表示间的互信息?为此文中提出一种互信息估计网络和AAE相融合(Infomax Adversarial AutoEncoder, Infomax-AAE)的异常检测方法,该方法首先以重构误差最小化为目标训练编码器和解码器;其次在对抗正则化阶段将正常样本低维表示的聚集后验分布约束为先验分布,并最大化正常样本与其表示之间的互信息;最后由全连接神经网络估计正常样本与其表示之间的互信息?由待测样本的重构误差及其表示在隐空间中的众数散度(Mode Divergence,MD)计算其异常得分值?公开数据集上的实验结果表明,与已有典型相关的半监督深度异常检测模型相比,文中的Infomax-AAE在F1取值上具有更好的表现?
中图分类号:
TP18

引用本文

霍纬纲 Huo Weigang 王星 梁锐. 融合互信息估计和对抗自编码器的异常检测[J]. 北京邮电大学学报, 2021, 44(05): 28-35.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4835