[1802.09088] Adversarially Learned One-Class Classifier for Novelty Detection

• original paper: https://arxiv.org/abs/1802.09088

リンク

• github:khalooei/ALOCC-CVPR2018
• 野良解説
  • ディープラーニングによる異常検知手法ALOCCを実装した

概要

Autoencoder+GAN で異常検出する. ある1クラスのデータ (論文では画像) だけを訓練データにして, ハズレクラスかどうかを検出する (One-Class Classifier).

手法

• \(\mathrm{Encoder} \colon X \to Z\) (\(X\) は入力データの空間, \(Z = \mathbb R^m\))
• \(\mathrm{Decoder} \colon Z \to X\)
• \(R = \mathrm{Decoder} \circ \mathrm{Encoder}\)
• \(D \colon X \to [0,1]\)

訓練

入力データ \(x \in X\) にノイズを加えたデータを \(\tilde{x}\) とする. 次の2つの和が損失関数.

• autoencoder
  • \(\| R(\tilde{x}) - x \|^2\)
• GAN
  • \(\mathbb E \log D(x) + \mathbb E \log \left[ 1 - DRx \right]\)

つまり \(R\) はノイズを除去する autoencoder. \(D\) はオリジナルか復元データかを判別する機械.

要するに autoencoder 部分が GAN で言う generator なわけだが, その作り方にそもそもオリジナル画像 (にノイズを加えたあと頑張って除去したもの) を使ってるので, そもそも正解に近いデータである.

検出

\(D\) のみでなく, \[D(R(\tilde{x}))\] の値で検出する.

\(R\) は正常なデータはより \(D\) に正しく判別してもらうための補正をする能力があるはずだから.

実験

MNIST の "1" で訓練する. この \(R\) に画像を入れると "1" っぽくなる.