基于GAN网络的异常检测算法研究.pdf

《广播电视网络》 2020 年第 4 期 总第 364 期
实 践 应 用
基于 GAN 网络的异常检测算法研究＊
余广民 林金堂 姚剑敏 严群 林志贤 福州大学
摘要：针对基于 GAN 网络的 MO-GAAL（多目标生成对抗主动学习）算法鉴别器判别效果不稳定和模型鲁
棒性问题，提出了改进算法 RMOGAAL。该算法在 MO-GAAL 算法基础上引入了多个鉴别器，并借助集成学习中
Bagging（自助聚合法）思想对真实数据进行随机采样，利用采样数据分别对引入的多个鉴别器进行训练，再通过
训练结果对生成器进行调优，使生成器能够生成更接近判定边界的异常值，同时生成器优化促使鉴别器鉴别结果
更加准确与稳定。生成器与鉴别器的交替优化，提高了整个模型的鲁棒性。实验结果表明，RMOGAAL 算法不仅
优于常用异常检测算法，并且较 MO-GAAL 算法相比有更高的性能。
关键词：GAN 异常检测 MO-GAAL Bagging 集成学习
1 引言 问题，一般使用基于相似度衡量模型 足够的信息帮助模型划分异常边界。
的算法 [6-11]。这类算法主要有 KNN（K 基于以上问题，Zhe Li 提出了一种基于
异常检测是机器学习中一个热门 近邻），LOF（局部离群因子检测方 最新生成对抗网络（GAN，Generative
研究方向，包含系统入侵检测、信用 法），IForest（孤立森林 ,IF）等。这 Adversarial Networks）的异常检测算法：
卡欺诈、医疗诊断等多个领域，在工 些异常检测算法无论是通过密度、距 MO-GAAL[12]。MO-GAAL 算 法 利 用
业上应用场景广泛。 离、夹角或是划分超平面进行检测， GAN[13] 模型的生成器生成能提供足够
由于工业上数据往往存在大量的 都可以被认为是一种估计相似度。与 信息的潜在异常值，用鉴别器作为判
数据缺失，许多数据没有标签。所以 前面提到的这些模型相比，基于相似