公开(公告)号：CN112465798B

公开(公告)日：2022-10-18

申请号：CN202011441942.5

申请日：2020-12-11

Applicant: 上海交通大学

Inventor： 徐昌庆 ,  黄子键 ,  陈丹

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络和记忆模块的异常检测方法，用于解决现有技术中存在的模型对异常的重构能力过强的问题。这种方法主要提出了一种基于记忆模块的生成对抗网络模型，来学习正常数据的整体特征和数据模式，并对异常检测中的异常分值做出了新的定义，从而限制了模型对异常的重构能力。所述方法主要实现步骤为：对数据进行预处理和数据集划分；构建包含压缩网络、判别网络和估计网络的模型并利用最大最小博弈进行对抗式训练，对潜在变量空间以及生成样本的数据分布进行了限制，在学习正常数据局部特征的同时，利用记忆模块和估计网络来记住正常样本的数据模式；最后利用基于记忆模块重构误差的异常分值进行异常检测。

公开(公告)号：CN112465798A

公开(公告)日：2021-03-09

申请号：CN202011441942.5

申请日：2020-12-11

Applicant: 上海交通大学

Inventor： 徐昌庆 ,  黄子键 ,  陈丹

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络和记忆模块的异常检测方法，用于解决现有技术中存在的模型对异常的重构能力过强的问题。这种方法主要提出了一种基于记忆模块的生成对抗网络模型，来学习正常数据的整体特征和数据模式，并对异常检测中的异常分值做出了新的定义，从而限制了模型对异常的重构能力。所述方法主要实现步骤为：对数据进行预处理和数据集划分；构建包含压缩网络、判别网络和估计网络的模型并利用最大最小博弈进行对抗式训练，对潜在变量空间以及生成样本的数据分布进行了限制，在学习正常数据局部特征的同时，利用记忆模块和估计网络来记住正常样本的数据模式；最后利用基于记忆模块重构误差的异常分值进行异常检测。